PERBANDINGAN METODE SVM DAN NAÏVE BAYES DALAM ANALISIS SENTIMEN KONFLIK PERANG DAGANG CINA-AMERIKA PADA APLIKASI X

Authors

DOI:

https://doi.org/10.52453/t.v16i1.465

Keywords:

Perang Dagang, Cina-Amerika, SVM, Naive Bayes

Abstract

Isu perang dagang antara Cina dan Amerika Serikat telah menjadi topik yang menarik perhatian publik di berbagai platform media sosial, termasuk Aplikasi X. Meskipun banyak penelitian sebelumnya telah membandingkan algoritma Support Vector Machine (SVM) dan Naïve Bayes dalam konteks analisis sentimen, studi yang secara khusus mengkaji performa kedua metode ini dalam menganalisis sentimen publik terhadap perang dagang Cina-Amerika di Aplikasi X masih sangat terbatas. Penelitian ini bertujuan untuk mengisi kekosongan tersebut dengan membandingkan kinerja SVM dan Multinomial Naïve Bayes dalam mengklasifikasikan sentimen cuitan terkait topik tersebut. Hasil evaluasi menunjukkan bahwa Multinomial Naïve Bayes menghasilkan akurasi sebesar 82%, dengan precision 0.80 untuk sentimen negatif dan 0.82 untuk sentimen positif. Namun, model ini kurang optimal dalam mengenali sentimen negatif, dengan recall negatif hanya mencapai 0.64 dan F1-score 0.71. Sebaliknya, model SVM menunjukkan kinerja yang lebih unggul, dengan akurasi 95% serta F1-score 0.93 untuk sentimen negatif dan 0.96 untuk sentimen positif. SVM juga menunjukkan prediksi yang lebih stabil dan seimbang, dengan kesalahan prediksi yang rendah pada kedua kelas sentimen. Keunggulan SVM terletak pada kemampuannya untuk menangani ketidakseimbangan kelas dan mengenali pola yang lebih kompleks dalam data. Hasil penelitian diharapkan dapat memberikan wawasan yang lebih dalam mengenai analisis sentimen isu-isu strategis global seperti perang dagang, serta memberikan rekomendasi untuk pengembangan model klasifikasi yang lebih efektif di media sosial.

References

M. Kholid, “The US-China Trade War Phenomenon (2018-2020) In Economic Diplomacy Perspective,” Politik Indonesia: Indonesian Political Science Review, vol. 7, no. 1, pp. 83–97, Apr. 2022, doi: 10.15294/ipsr.v7i1.38488.

N. Arifah Wahyuni, D. Rizky Amelia, and tishom Al Khoiry, “Exploring Public Sentiment on ChatGPT-An Analysis of Twitter Data Article Info,” JEE, vol. 13, no. 1, pp. 51–60, 2024, [Online]. Available: http://journal.unnes.ac.id/sju/index.php/jeec

M. F. Alfauzan, Y. Sibaroni, and F. Fitriyani, “Sentiment Classification of Fuel Price Rise in Economic Aspects Using Lexicon and SVM Method,” sinkron, vol. 8, no. 4, pp. 2526–2536, Oct. 2023, doi: 10.33395/sinkron.v8i4.12851.

F. Yudistira and A. Rahman Isnain, “Analisis Sentimen Terhadap Seleksi CPNS Tahun 2024 Berbasis Media Sosial X Menggunakan Algoritma Naïve Bayes,” Jurnal Pendidikan dan Teknologi Indonesia (JPTI), vol. 5, no. 3, pp. 887–897, 2025, doi: 10.52436/1.jpti.731.

Q. Aini, R. R. Fauzi, and E. Khudzaeva, “Economic Impact due Covid-19 Pandemic: Sentiment Analysis on Twitter Using Naïve Bayes Classifier and Support Vector Machine,” JOIV : International Journal on Informatics Visualization, vol. 7, no. 3, pp. 733–741, Sep. 2023, doi: 10.30630/joiv.7.3.1474.

Widyawati and Sutanto, “PERBANDINGAN ALGORITMA NAÏVE BAYES DAN SUPPORT VECTOR MACHINE (SVM) DALAM KLASIFIKASI SMS SPAM BERBAHASA INDONESIA,” Jurnal Sains & Teknologi, vol. 3, no. 2, pp. 178–194, 2019.

P. A. Setiawati, I. M. A. D. Suarjaya, and I. N. P. Trisna, “Sentiment Analysis of Unemployment in Indonesia During and Post COVID-19 on X (Twitter) Using Naïve Bayes and Support Vector Machine,” Journal of Information Systems and Informatics, vol. 6, no. 2, pp. 662–675, Jun. 2024, doi: 10.51519/journalisi.v6i2.713.

Z. Alyafeai, M. S. Al-shaibani, M. Ghaleb, and I. Ahmad, “Evaluating Various Tokenizers for Arabic Text Classification,” Jun. 2021, [Online]. Available: http://arxiv.org/abs/2106.07540

Ardiyansah and Parjito, “Perbandingan Metode Naïve Bayes dan Support Vector Machine Dalam Analisis Sentimen Terhadap Tokoh Publik,” KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 4, no. 6, pp. 2813–2821, 2024, doi: 10.30865/klik.v4i6.1928.

H. Mardiana, M. Walid, and A. Kisnu Darmawan, “Lexicon-Based and Naïve Bayes Sentiment … LEXICON-BASED AND NAIVE BAYES SENTIMENT ANALYSIS FOR RECOMMENDING THE BEST MARKETPLACE SELECTION AS A MARKETING STRATEGY FOR MSMES,” vol. 19, no. 2, 2023, doi: 10.33480/pilar.v19i2.4176.

S. Singh, K. Kumar, and B. Kumar, “Sentiment Analysis of Twitter Data Using TF-IDF and Machine Learning Techniques,” in 2022 International Conference on Machine Learning, Big Data, Cloud and Parallel Computing (COM-IT-CON), IEEE, May 2022, pp. 252–255. doi: 10.1109/COM-IT-CON54601.2022.9850477.

R. Malha and P. Amaral, “A Maximal Margin Hypersphere SVM,” 2021, pp. 304–319. doi: 10.1007/978-3-030-86976-2_21.

Yuyun, Nurul Hidayah, and Supriadi Sahibu, “Algoritma Multinomial Naïve Bayes Untuk Klasifikasi Sentimen Pemerintah Terhadap Penanganan Covid-19 Menggunakan Data Twitter,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 4, pp. 820–826, Aug. 2021, doi: 10.29207/resti.v5i4.3146.

M. Rakha, M. Dwi Sulistiyo, D. Nasien, and M. Ridha, “A Combined MobileNetV2 and CBAM Model to Improve Classifying the Breast Cancer Ultrasound Images,” Journal of Applied Engineering and Technological Science, vol. 6, no. 1, pp. 561–578, 2024.

Muhammad Ridha, Dade Nurjanah, and Muhammad Rakha, “Multilabel Classification Abusive Language and Hate Speech on Indonesian Twitter using Transformer Model: IndoBERTweet & IndoRoBERTa,” in The 4th International Conference on Intelligent Cybernetics Technology & Applications 2024 (ICICyTA 2024), 2024.

Downloads

Published

2025-06-30

How to Cite

Muhammad Ridha. (2025). PERBANDINGAN METODE SVM DAN NAÏVE BAYES DALAM ANALISIS SENTIMEN KONFLIK PERANG DAGANG CINA-AMERIKA PADA APLIKASI X. Technologic, 16(1). https://doi.org/10.52453/t.v16i1.465

Issue

Section

Table of Contents