Perbandingan Kinerja Algoritma Naive Bayes Dan Support Vector Machine untuk Analisis Sentimen Ulasan Produk E-Commerce Menggunakan Pembobotan TF-IDF

Billy Ibrahim  Hasbi; Irfan Sriyono  Putro

Billy Ibrahim Hasbi Universitas Singaperbangsa Karawang
Irfan Sriyono Putro Universitas Singaperbangsa Karawang

Keywords: Analisis Sentimen, E-Commerce, Machine Learning, Naive Bayes, Support Vector Machine

Abstract

Perkembangan pesat industri e-commerce telah menghasilkan volume ulasan produk masif yang memerlukan analisis sentimen untuk mengekstrak wawasan bisnis strategis. Penelitian ini bertujuan melakukan evaluasi komprehensif perbandingan kinerja algoritma Naive Bayes dan Support Vector Machine untuk analisis sentimen ulasan produk e-commerce menggunakan pembobotan Term Frequency-Inverse Document Frequency (TF-IDF). Metode penelitian menggunakan systematic literature review mengikuti pedoman PRISMA 2020 dengan menganalisis 10 jurnal relevan dari 309 jurnal yang teridentifikasi pada database IEEE Xplore, ScienceDirect, SpringerLink, dan Google Scholar periode 2020-2025. Hasil penelitian menunjukkan Support Vector Machine secara konsisten mendemonstrasikan superioritas dengan akurasi 66-92,62% dan mengungguli Naive Bayes dalam menangani kompleksitas data tekstual berdimensi tinggi, terutama pada dataset Tokopedia (79% vs 76%), Lazada (75% vs 72%), dan Alibaba (88,48% vs 87,46%). Namun, Naive Bayes menunjukkan kinerja optimal pada dataset Shopee (85% vs 81%). Faktor-faktor yang mempengaruhi variasi kinerja meliputi teknik SMOTE untuk ketidakseimbangan data, optimasi kernel SVM, dan karakteristik linguistik bahasa Indonesia. Kesimpulan penelitian mengkonfirmasi bahwa pemilihan algoritma harus mempertimbangkan karakteristik spesifik dataset dan konteks platform e-commerce untuk optimasi kinerja analisis sentimen.