PERBANDINGAN ALGORITMA NAIVE BAYES DAN SVM DALAM ANALISIS SENTIMEN TWITTER TENTANG KENAIKAN PPN 12%Aditya ArdyPratamaauthorPenelitian ini bertujuan untuk menganalisis sentimen masyarakat di Twitter terkait kebijakan kenaikan Pajak Pertambahan Nilai (PPN) sebesar 12% serta membandingkan kinerja algoritma Naive Bayes dan Support Vector Machine (SVM) dalam klasifikasi sentimen. Data dikumpulkan dari Twitter dan melalui tahapan preprocessing yang meliputi pembersihan teks, case folding, tokenization, stopword removal, dan stemming. Data kemudian dibagi menjadi data latih dan data uji untuk proses evaluasi model. Hasil eksperimen menunjukkan bahwa model SVM yang dioptimasi menggunakan kernel Radial Basis Function (RBF) memperoleh kinerja terbaik dengan tingkat akurasi sebesar 79,93%. Berdasarkan classification report, SVM menunjukkan performa lebih konsisten dalam mengidentifikasi kelas Negative (f1-score = 0,86) dibandingkan kelas Positive (f1score = 0,65), dengan nilai weighted average f1-score sebesar 0,80. Sementara itu, model Naive Bayes memperoleh akurasi sebesar 74,07%, dengan f1-score sebesar 0,83 pada kelas Negative dan 0,46 pada kelas Positive, serta weighted average f1score sebesar 0,71. Berdasarkan hasil tersebut, dapat disimpulkan bahwa SVM memiliki performa yang lebih unggul dibandingkan Naive Bayes dalam analisis sentimen Twitter terkait kebijakan kenaikan PPN 12%.000 Ilmu komputer, informasi dan pekerjaan umum303 Proses sosial330 Ekonomi2025-08-19Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis