OPTIMASI KINERJA ALGORITMA SUPPORT VECTOR MACHINE, NAÏVE BAYES, DAN K-NEAREST NEIGHBORS DALAM KLASIFIKASI ULASAN NETFLIX

Penelitian ini bertujuan untuk membandingkan kinerja algoritma Support Vector Machine (SVM), Naïve Bayes (NB), dan K-Nearest Neighbors (KNN) dalam analisis sentimen ulasan aplikasi Netflix. Data yang digunakan berupa 10.000 ulasan pengguna dari Google Play Store yang telah melalui proses preprocessing teks, termasuk case folding, tokenisasi, stopword removal, dan stemming. Representasi fitur menggunakan metode TF-IDF Untuk mengatasi ketidakseimbangan data, penelitian ini menerapkan tiga teknik resampling, yaitu SMOTE, SMOTETomek, dan SMOTEENN. Model dievaluasi menggunakan metrik accuracy, precision, recall, F1-score, dan cross-validation. Hasil penelitian menunjukkan bahwa algoritma SVM dengan teknik SMOTEENN memberikan kinerja terbaik dengan accuracy 98,04%, diikuti oleh KNN dengan 97,65%, dan Naïve Bayes dengan 91,76%. Teknik SMOTEENN terbukti lebih efektif dibandingkan metode lain dalam meningkatkan accuracy model karena tidak hanya menambahkan data sintetis tetapi juga menghilangkan data mayoritas yang ambigu. Hasil Cross Validation menunjukkan bahwa SVM memiliki performa paling stabil dalam mengklasifikasikan sentimen ulasan pengguna. Berdasarkan temuan ini, disimpulkan bahwa SVM dengan teknik SMOTEENN adalah kombinasi terbaik untuk analisis sentimen ulasan aplikasi Netflix, karena mampu menangani ketidakseimbangan data secara optimal dan memberikan hasil klasifikasi yang lebih akurat dibandingkan algoritma lain.