@phdthesis{universitasamikomyogyakarta31700,
          school = {Universitas AMIKOM Yogyakarta},
           month = {November},
           title = {ANALISIS SENTIMEN ULASAN APLIKASI DANA MENGGUNAKAN SUPPORT VECTOR MACHINE DAN NA{\"I}VE BAYES},
            year = {2025},
          author = {MUHAMAD YULI PAMUNGKAS},
        keywords = {Analisis Sentimen, TF-IDF, SMOTE, SVM-RBF, Multinomial Na{\"i}ve Bayes, GridSearchCV, Google Play Store, DANA.},
             url = {https://eprints.amikom.ac.id/id/eprint/31700/},
        abstract = {Penelitian ini bertujuan untuk menganalisis dan membandingkan hasil kerja
algoritma Support Vector Machine (SVM) dengan kernel Radial Basis Function
(RBF) serta Multinomial Na{\"i}ve Bayes dalam mengklasifikasikan sentimen dari
5.200 ulasan aplikasi DANA yang berbahasa Indonesia. Ulasan-ulasan tersebut
dikumpulkan melalui teknik web scraping di platform Google Play Store. Penelitian
ini fokus pada dua jenis sentimen, yaitu sentimen positif dan negatif. Sebelum
dilakukan klasifikasi, terlebih dahulu dilakukan beberapa proses preprocessing
teks, seperti cleaning, case folding, menghilangkan stopwords, tokenizing, dan
stemming agar data teks menjadi lebih bersih dan standar. Data kemudian diubah
menjadi representasi TF-IDF sehingga teks bisa diubah ke dalam bentuk angka
yang menunjukkan tingkat kepentingan kata dalam dokumen. Karena data sentimen
tidak seimbang, maka digunakan metode SMOTE (Synthetic Minority OverSampling
Technique)
untuk
menyeimbangkan
distribusi
kelas
dan
mencegah
bias

dalam

prediksi sentimen. Proses pelatihan model juga dilakukan dengan
menambahkan teknik hyperparameter tuning menggunakan GridSearchCV pada
kedua algoritma untuk mencari parameter terbaik dan meningkatkan akurasi
prediksi. Evaluasi kinerja dilakukan dengan menggunakan metrik Accuracy,
Precision, Recall, dan F1-Score. Hasilnya menunjukkan bahwa SVM dengan kernel
RBF memberikan performa lebih baik dibandingkan Multinomial Na{\"i}ve Bayes.
SVM RBF memiliki Accuracy sebesar 87,78\%, Precision 88,18\%, Recall 87,84\%,
dan F1-Score 87,91\%. Sementara itu, Multinomial Na{\"i}ve Bayes memiliki Accuracy
85,54\%, Precision 89,05\%, Recall 85,43\%, dan F1-Score 86,18\%. Dengan
demikian, algoritma SVM kernel RBF lebih unggul dan disarankan untuk
digunakan dalam analisis sentimen pada bahasa Indonesia, terutama dalam aplikasi
keuangan digital seperti DANA karena memberikan hasil yang lebih akurat dan
seimbang untuk kedua kelas sentimen.}
}