PERBANDINGAN KINERJA SUPPORT VECTOR MACHINE DAN NAIVE BAYES UNTUK ANALISIS SENTIMEN ULASAN GAME ROBLOX DI GOOGLE PLAY STORE

Roblox merupakan salah satu aplikasi permainan daring yang memiliki jumlah pengguna besar dan memperoleh banyak ulasan di Google Play Store. Ulasan tersebut memuat berbagai tanggapan pengguna mengenai kualitas layanan, performa aplikasi, serta pengalaman bermain. Banyaknya jumlah ulasan menyebabkan proses analisis secara manual menjadi kurang efisien, sehingga diperlukan analisis sentimen untuk mengelompokkan opini pengguna secara otomatis. Penelitian ini bertujuan untuk membandingkan kinerja metode Support Vector Machine (SVM) dan Naive Bayes dalam analisis sentimen ulasan pengguna aplikasi Roblox yang diperoleh dari Google Play Store. Sentimen ulasan diklasifikasikan ke dalam tiga kategori, yaitu positif, negatif, dan netral. Proses penelitian meliputi pengumpulan data, pembersihan data, pelabelan sentimen berdasarkan rating, preprocessing teks, serta ekstraksi fitur menggunakan Term Frequency-Inverse Document Frequency (TF-IDF). Data yang telah diproses kemudian diklasifikasikan menggunakan metode SVM dan Naive Bayes untuk membandingkan performa masing-masing model. Evaluasi dilakukan menggunakan confusion matrix, accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa metode SVM setelah hyperparameter tuning memperoleh kinerja terbaik dengan nilai accuracy sebesar 0,73 dan weighted average F1-score sebesar 0,69. Hasil tersebut menunjukkan bahwa metode SVM lebih optimal dibandingkan Naive Bayes dalam mengklasifikasikan sentimen ulasan pengguna aplikasi Roblox, meskipun kelas netral masih menjadi kelas yang paling sulit dikenali oleh model.