557
Progresif: Jurnal Ilmiah Komputer https://ojs.
stmik-banjarbaru.
id/index.
php/progresif/index Jl.
Ahmad Yani.
33,5 - Kampus STMIK Banjarbaru Loktabat - Banjarbaru (Tlp.
, e-mail: puslit.
stmikbjb@gmail.
e-ISSN: 2685-0877 Perbandingan Algoritma NBC dan SVM dalam Analisis Sentimen Terhadap Dampak Kesehatan Rokok Elektrik DOI: http://dx.
org/10.
35889/progresif.
Creative Commons License 4.
0 (CC BY Ae NC) Hani Rahmawati1.
Isa Faqihuddin Hanif2* 1Teknik Informatika.
Universitas Muhammadiyah Prof.
DR.
HAMKA.
Jakarta.
Indonesia 2Sistem dan Teknologi Informasi.
Universitas Muhammadiyah Prof.
DR.
HAMKA.
Jakarta.
Indonesia *e-mail Corresponding Author: isa@uhamka.
Abstrak There is no optimal method for accurately classifying public opinion, so an analytical approach is needed that is able to capture the nuances of public sentiment regarding the health impacts of ecigarettes.
This study examines public perception of the health impacts of electronic cigarettes using two classification algorithms: NBC and SVM.
Data sourced from social media X .
ormerly Twitte.
underwent stages of data cleaning, sentiment labeling.
TF-IDF weighting, and data balancing through the SMOTE technique.
Performance evaluation was conducted using four key metrics: accuracy, precision, recall, and f1-score.
NBC achieved 80.
5% accuracy with high recall despite low precision.
In contrast.
SVM recorded superior performance with 95.
2% accuracy and more consistent balance between precision and recall.
Therefore, the Support Vector Machine (SVM) algorithm is recommended as a more effective method for analyzing public sentiment regarding electronic cigarettes.
Keywords: Electronic Cigarette.
Entiment Analysis.
Nayve Bayes Classifier.
Support Vector Machine.
Abstrak Belum adanya metode yang optimal untuk mengklasifikasikan opini publik secara akurat, sehingga diperlukan pendekatan analitik yang mampu menangkap nuansa sentimen masyarakat terhadap dampak kesehatan rokok elektrik.
Studi ini mengkaji persepsi publik terhadap dampak kesehatan rokok elektrik dengan menerapkan dua algoritma klasifikasi: NBC dan SVM.
Data yang bersumber dari media sosial X .
ks Twitte.
diproses melalui tahapan pembersihan data, pelabelan sentimen, pembobotan menggunakan TF-IDF, serta penyeimbangan data menggunakan teknik SMOTE.
Evaluasi performa dilakukan menggunakan empat metrik utama: accuracy, precision, recall, dan f1-score.
NBC memperoleh akurasi sebesar 80,5% dengan recall tinggi meskipun precision-nya rendah.
Sebaliknya.
SVM mencatat performa superior dengan akurasi 95,2% serta keseimbangan precision dan recall yang lebih konsisten.
Oleh karena itu, algoritma Support Vector Machine (SVM) direkomendasikan sebagai metode yang lebih efektif dalam menganalisis sentimen publik terhadap rokok elektrik.
Kata kunci: Analisis Sentimen.
Rokok Elektrik.
Nayve Bayes Classifier.
Support Vector Machine.
Pendahuluan Perkembangan teknologi digital dan pola hidup modern mendorong munculnya berbagai inovasi konsumsi tembakau, salah satunya adalah rokok elektrik atau vape.
Produk ini kerap dipandang sebagai alternatif yang dianggap lebih aman dibanding rokok konvensional karena tidak melalui proses pembakaran.
Pandangan yang berkembang di masyarakat saat ini masih belum mendapat dukungan kuat dari penelitian ilmiah yang komprehensif, terutama mengenai Perbandingan Algoritma NBC dan SVM dalam Analisis Sentimen a.
Hani Rahmawati 558 e-ISSN: 2685-0877 dampak jangka panjang rokok elektrik terhadap kesehatan.
Oleh karena itu, studi lanjutan yang menyoroti respons publik terhadap produk ini sangat diperlukan dari perspektif kesehatan.
Dalam kurun waktu satu dekade, jumlah pengguna rokok elektrik di Indonesia menunjukkan peningkatan yang mencolok.
Laporan Global Adult Tobacco Survey (GATS) tahun 2021 mencatat bahwa prevalensi penggunaan naik dari 0,3% pada 2011 menjadi 3% pada 2021 .
Bersamaan dengan tren tersebut, media sosial menjadi ruang terbuka bagi masyarakat untuk menyuarakan pandangannya, baik yang mendukung maupun yang menentang.
Namun, belum banyak kajian yang secara sistematis mengukur sentimen masyarakat terhadap isu ini.
Masalah yang muncul adalah belum adanya metode yang optimal untuk mengklasifikasikan opini publik secara akurat, sehingga diperlukan pendekatan analitik yang mampu menangkap nuansa sentimen masyarakat terhadap dampak kesehatan rokok elektrik.
Untuk menjawab permasalahan tersebut, penelitian ini mengusulkan solusi berupa analisis sentimen berbasis algoritma klasifikasi teks .
Dua algoritma yang banyak digunakan dalam proses klasifikasi adalah Nayve Bayes Classifier (NBC) dan Support Vector Machine (SVM), keduanya memiliki popularitas tinggi di kalangan peneliti.
NBC efektif dalam mengolah teks berkompleksitas rendah dengan jumlah data besar .
, sedangkan SVM dikenal mampu bekerja optimal pada data berdimensi tinggi dengan hasil akurasi yang unggul .
Dengan membandingkan kinerja kedua algoritma ini, diharapkan diperoleh pemahaman yang lebih baik mengenai efektivitas masing-masing model dalam mengklasifikasikan sentimen terkait isu kesehatan rokok elektrik.
Pendekatan ini didukung oleh berbagai studi terdahulu .
, namun masih jarang yang mengintegrasikan keduanya dalam satu kajian spesifik tentang kesehatan.
Penelitian ini secara khusus ditujukan untuk mengevaluasi serta membandingkan performa NBC dan SVM dalam mengklasifikasikan sentimen masyarakat terhadap rokok elektrik, dengan fokus pada aspek kesehatan.
Hasil penelitian ini diharapkan dapat memperkaya pengembangan sistem analisis opini publik berbasis AI dan memberikan perspektif yang bermanfaat bagi para pengambil kebijakan maupun tenaga kesehatan dalam memahami pandangan masyarakat.
Tinjauan Pustaka Pada tahun 2022.
Dio Rizki Aditya bersama Endang Supriyati dan Tri Listyorini melakukan penelitian dengan mengangkat judul Analisis Sentimen Pengguna Twitter Terhadap Rokok Elektrik (Vap.
di Indonesia, penelitian ini menelaah tanggapan masyarakat Indonesia di media sosial terhadap penggunaan rokok elektrik di mana mereka menggunakan metode Nayve Bayes Classifier (NBC) sebagai teknik klasifikasinya.
Tujuan penelitian ini adalah mengetahui persepsi masyarakat terhadap rokok elektrik melalui data Twitter.
Sentimen dibagi menjadi tiga kategori: positif, negatif, dan netral, dengan hasil akurasi mencapai 77,5% dan distribusi sentimen netral mendominasi .
,3%), disusul negatif .
,7%) dan positif .
%).
Hasil ini menegaskan potensi media sosial sebagai sumber informasi dalam mengkaji isu kesehatan.
Alman Muhammadin dan Irwan Agus Sobari .
, melalui penelitian berjudul Analisis Sentimen pada Ulasan Aplikasi Kredivo dengan Algoritma SVM dan NBC, membandingkan efektivitas algoritma Support Vector Machine (SVM) dan Nayve Bayes Classifier (NBC) dalam mengklasifikasikan sentimen pengguna terhadap aplikasi Kredivo.
Hasil studi menunjukkan bahwa SVM menghasilkan hasil yang lebih optimal dengan akurasi sebesar 83,3%, sementara NBC mencatatkan akurasi 80,8%, yang mengindikasikan bahwa pemilihan algoritma berperan penting dalam menentukan kualitas hasil klasifikasi.
Penelitian oleh Nia Ramadhani Siregar.
Prilly Rismawany.
Shafiah Azzahra, dan Yuliana Sari .
dalam artikel berjudul Kajian Bahan Kimia Berbahaya pada Rokok Elektrik serta Dampaknya pada Kesehatan mengulas secara mendalam kandungan zat berbahaya dalam rokok elektrik dan implikasinya terhadap kesehatan pengguna.
Melalui pendekatan deskriptif kuantitatif dan studi literatur, ditemukan bahwa rokok elektrik mengandung bahan kimia berbahaya seperti nikotin, formaldehida, acrolein, logam berat .
rsenik, kadmium, timba.
, serta senyawa karsinogenik lainnya.
Dampaknya mencakup peningkatan detak jantung, iritasi saluran pernapasan, kerusakan DNA, penurunan fungsi paru, hingga risiko kanker.
Hasil observasi juga menunjukkan bahwa mayoritas pengguna rokok elektrik adalah remaja laki-laki berusia 18Ae24 tahun yang memiliki kesadaran akan risiko kesehatan, namun tetap memerlukan edukasi dan regulasi yang lebih ketat.
Penelitian ini memperkuat pentingnya informasi transparan terkait kandungan dan dampak rokok elektrik sebagai upaya perlindungan kesehatan masyarakat.
Progresif: Vol.
No.
Agustus 2025: 557-572 Progresif e-ISSN: 2685-0877 Penelitian oleh Agus Susanto.
Muladi Putra Mahardika, dan Heni Purwantiningrum .
berjudul Pemberdayaan Kesehatan Remaja: Edukasi Bahaya Rokok Elektrik bagi Siswa SMA Negeri 2 Tegal menyoroti pentingnya edukasi tentang bahaya rokok elektrik di kalangan Melalui kegiatan penyuluhan interaktif kepada 100 siswa kelas 10 dan 11, penelitian ini menunjukkan peningkatan pengetahuan peserta mengenai dampak negatif rokok elektrik terhadap kesehatan.
Nilai rata-rata yang diperoleh dari hasil post-test adalah sebesar 13,54, meningkat dari nilai pre-test sebesar 8,86.
Materi edukasi meliputi risiko kesehatan yang ditimbulkan oleh rokok elektrik terhadap organ vital seperti sistem pernapasan, otak, jantung, dan paru-paru, serta kandungan kimia berbahaya dalam cairan vape.
Penelitian ini menegaskan bahwa edukasi langsung di lingkungan sekolah mampu meningkatkan kesadaran siswa terhadap risiko kesehatan dari penggunaan rokok elektrik.
Studi yang dilakukan oleh Kurnia Ardiansyah Lubis dan tim pada tahun 2024 analisis terhadap persepsi publik mengenai pemindahan ibu kota Indonesia dilakukan melalui penerapan algoritma Nayve Bayes, dengan memanfaatkan data yang telah dikumpulkan sebelumnya dari Twitter.
Hasilnya, 74% opini publik tergolong positif, dan akurasi model mencapai 76,30%, memperlihatkan bahwa Nayve Bayes masih menjadi metode yang relevan dalam menganalisis sentimen terhadap isu nasional.
Dari berbagai penelitian tersebut, terlihat bahwa algoritma Nayve Bayes Classifier (NBC) dan Support Vector Machine (SVM) merupakan dua metode yang banyak dimanfaatkan dalam analisis sentimen berbasis media sosial, baik dalam isu layanan, produk digital, hingga kebijakan Di sisi lain, penelitian-penelitian yang berfokus pada rokok elektrik sebagian besar menyoroti aspek kesehatan, seperti kandungan bahan kimia berbahaya dan dampaknya terhadap sistem pernapasan, jantung, serta potensi kanker.
Namun, masih sedikit penelitian yang secara khusus mengintegrasikan analisis sentimen dengan topik kesehatan rokok elektrik, apalagi dengan membandingkan performa NBC dan SVM dalam konteks tersebut.
Sebagai hasilnya, penelitian ini menyumbangkan perspektif baru melalui menggabungkan dua aspek penting: perbandingan algoritma klasifikasi dalam analisis sentimen, serta isu kesehatan publik terkait rokok elektrik.
Metodologi Dari media sosial X, diikuti oleh tahapan pre-processing yang mencakup pembersihan teks, tokenisasi, konversi huruf ke format seragam, penghilangan stopwords, serta stemming untuk menyederhanakan kata.
Selanjutnya dilakukan labeling sentimen .
ositif atau negati.
, kemudian data diolah menggunakan teknik TF-IDF sebagai pembobotan kata untuk menghasilkan representasi numerik.
Proses ini diikuti oleh klasifikasi model dengan NBC dan SVM.
Selain klasifikasi, data divisualisasikan dalam bentuk Wordcloud.
Pada tahap akhir, algoritma diujicobakan dan kinerjanya diukur menggunakan parameter evaluasi berupa akurasi, presisi, recall, dan F1-score.
Gambar 1 menyajikan representasi visual dari alur penelitian.
Gambar 1.
Alur Penelitian 1 Pengumpulan Data Pengumpulan data dilakukan untuk menghimpun informasi yang relevan, yang berperan penting dalam menunjang jalannya penelitian.
Data dihimpun dari media sosial X melalui metode crawling, dengan periode pengambilan dimulai sejak Oktober 2024 dan masih berlangsung.
Total data yang berhasil dikumpulkan berkisar antara 2.
000 hingga 2.
500 entri, yang mencerminkan opini dan sentimen publik terhadap rokok elektrik.
2 Pre-Processing Tahap pre-processing berfungsi sebagai tahap pertama dalam upaya mempersiapkan data teks dengan membersihkannya dari komponen-komponen yang tidak memiliki kontribusi signifikan seperti simbol.
URL, dan kata-kata yang tidak bermakna.
Prosedur ini melibatkan cleansing, tokenisasi, normalisasi huruf, penghapusan stopword, penyaringan token berdasarkan panjang, dan stemming agar data lebih siap untuk dianalisis secara sistematis .
Perbandingan Algoritma NBC dan SVM dalam Analisis Sentimen a.
Hani Rahmawati 560 e-ISSN: 2685-0877 Cleansing Pembersihan dilakukan dengan mengeliminasi karakter-karakter yang tidak diperlukan seperti simbol, angka.
URL, serta tag HTML yang dapat mengganggu integritas analisis data.
Tokenize Memisahkan teks menjadi elemen-elemen kecil, seperti kata maupun frasa, agar lebih mudah diproses dan dianalisis pada tingkat granular.
Transform Cases Mengubah seluruh tulisan ke format huruf kecil guna memastikan keseragaman penulisan serta meminimalkan potensi ketidaksesuaian akibat penggunaan huruf besar.
Filter Stopwords Menghapus unsur kata yang muncul berulang tetapi tidak relevan untuk penilaian makna misalnya Aodan,Ao Aoatau,Ao dan Aoyang,Ao untuk menitikberatkan analisis pada kata-kata yang lebih Filter Token by Length Memfilter kata-kata yang terlalu pendek .
isalnya satu huru.
atau terlalu panjang, sehingga hanya kata-kata yang relevan yang dipertahankan.
Serangkaian langkah ini dilakukan untuk menjamin kebersihan data dan memiliki kualitas tinggi untuk mendukung tahap selanjutnya.
Stemming Mengubah kata ke bentuk dasarnya .
oot wor.
, misalnya "berlari" menjadi "lari," guna mengurangi beragam kata dengan arti yang serupa.
Labeling Labeling merupakan tahap penandaan label sentimen contohnya berupa label positif atau negatif pada data teks, yang dilakukan menggunakan metode berbasis leksikon.
Proses ini memanfaatkan kamus kata-kata dengan skor sentimen tertentu untuk menilai emosi dalam teks.
Data yang telah dilabeli menjadi terstruktur dan siap digunakan untuk pelatihan model, di mana keakuratan labeling memainkan peran penting dalam menjamin ketepatan hasil analisis TF-IDF TF-IDF digunakan sebagai teknik penilaian untuk menentukan seberapa penting suatu kata dalam dokumen tertentu dengan mempertimbangkan kemunculannya di seluruh dokumen di seluruh dokumen dalam korpus .
TF-IDF membantu menyoroti kata-kata kunci dan sering digunakan sebagai input ke algoritma seperti NBC dan SVM dalam analisis sentimen .
Split Data Split Data merupakan langkah guna membagi datase ke dalam data yang digunakan untuk proses pelatihan dan evaluasi untuk melatih dan menguji performa model secara adil .
Rasio umum pembagiannya adalah 70:30 atau 80:20 supaya model dapat divalidasi dengan data yang benar-benar independen dari data pelatihan .
SMOTE
SMOTE (Synthetic Minority Over-sampling Techniqu.
adalah teknik yang digunakan untuk menyeimbangkan jumlah data antar kelas, khususnya saat data minoritas jauh lebih sedikit dari data mayoritas dengan menciptakan data tiruan pada kategori minoritas .
Teknik ini berperan penting dalam menjaga objektivitas model, terutama saat menangani klasifikasi sentimen yang tidak seimbang antara kelas positif dan negatif .
Wordcloud Wordcloud adalah visualisasi kata yang mengacu pada seberapa sering kata muncul dalam teks yang menampilkan kata-kata dengan ukuran sesuai frekuensinya .
Ini memudahkan eksplorasi awal data untuk mengenali topik dominan dalam analisis sentiment .
Implementasi Algoritma Dalam studi ini, diterapkan dua pendekatan klasifikasi algoritmik, yakni Nayve Bayes Classifier (NBC) dan Support Vector Machine (SVM).
NBC dipilih karena kesederhanaannya serta kemampuannya yang baik dalam mengolah data teks berukuran besar meskipun dengan Progresif: Vol.
No.
Agustus 2025: 557-572 Progresif e-ISSN: 2685-0877 data pelatihan terbatas, meskipun memiliki kelemahan pada asumsi independensi antar fitur.
Sementara itu.
SVM mampu bekerja dengan baik pada data yang memiliki fitur dalam jumlah besar dan sifat non-linear melalui penggunaan hyperplane dan fungsi kernel, sehingga mampu menghasilkan akurasi tinggi dalam klasifikasi sentimen.
Nayve Bayes Classifier (NBC) NBC merupakan metode pengklasifikasian berbasis probabilistik yang sederhana dan cepat, bekerja efektif pada data teks berukuran besar serta tetap andal meskipun data pelatihan terbatas .
Asumsi independensi antar fitur menjadi titik lemah dari pendekatan ini, karena sering kali tidak mencerminkan kondisi data yang sebenarnya .
yca )OoycE.
= .
Support Vector Machine (SVM) SVM dikenal sebagai algoritma yang tangguh dalam tugas klasifikasi.
Ia bekerja dengan membangun hyperplane sebagai pemisah antar kelas, dan dengan fungsi kernel.
SVM dapat mengatasi data dengan pola kompleks yang tidak dapat dipisahkan secara linier.
SVM
sangat optimal untuk data dalam ruang fitur berdimensi besar dan menghasilkan akurasi tinggi dalam analisis sentiment .
= ycyciycu .
c Oo ycu yc.
Confusion Matrix Sebagai metode evaluasi klasifikasi.
Confusion Matrix mengukur kinerja model dengan menghitung jumlah prediksi yang sesuai atau tidak sesuai dengan label aktual .
Empat komponen utamanya.
TP.
TN.
FP, dan FN digunakan untuk mengurangi efektivitas model berdasarkan indikator performa seperti akurasi, presisi, recall, dan F1-score .
Accuracy Accuracy mengacu pada persentase jumlah prediksi yang benar dibandingkan dengan seluruh prediksi yang dilakukan selama proses klasifikasi.
Metode ini sangat cocok digunakan pada dataset yang seimbang.
Rumusnya:
ycNycE ycNycA yaycaycaycycycaycayc = .
ycNycE yaycA yaycE ycNycA Recall Recall menghitung kemampuan model dalam menemukan seluruh data yang positif.
Metode ini berfokus pada pengurangan kesalahan negatif palsu .
alse negative.
Rumusnya:
ycNycE ycIyceycaycaycoyco = .
ycNycE yaycA Precision Precision mengukur tingkat keandalan dari prediksi positif.
Metode ini penting untuk meminimalkan jumlah kesalahan positif palsu .
alse positive.
Rumusnya:
ycNycE ycEycyceycaycnycycnycuycu = .
ycNycE yaycE F1-Score F1-Score menghitung keseimbangan antara precision dan recall dalam satu metrik.
Metode ini ideal untuk digunakan pada dataset yang tidak seimbang.
Rumusnya:
ycEycyceycaycnycycnycuycuOoycIyceycaycaycoyco ya1 = 2 Oo ycEycyceycaycnycycnycuycu ycIyceycaycaycoyco Hasil dan Pembahasan Pre-processing Pada bab ini disampaikan hasil yang didapat melalui setiap tahapan yang telah dilakukan, mulai dari pengumpulan data, proses pra-pemrosesan, penerapan metode klasifikasi dengan metode NBC dan SVM, hingga tahap evaluasi performa model.
Pengumpulan Data Data dikumpulkan secara otomatis dari media sosial X (Twitte.
dengan memanfaatkan kata kunci spesifik sebagai dasar pencarian, yaitu Aurokok elektrikAy, yang dilakukan melalui library *tweet- harvest* di platform Google Colab tanpa memerlukan akses API.
Proses ini memudahkan peneliti dalam memperoleh data secara efisien dan cepat.
Gambar 2 menunjukkan alur dari proses pengumpulan data.
Perbandingan Algoritma NBC dan SVM dalam Analisis Sentimen a.
Hani Rahmawati e-ISSN: 2685-0877 Gambar 2.
Proses Pengumpulan Data Dari 2.
500 tweet yang diminta, berhasil dikumpulkan sebanyak 2.
176 tweet.
Tweet yang terkumpul masih mengandung elemen-elemen seperti mention (@), hashtag (#), tautan, dan simbol lainnya yang belum dibersihkan.
Data mentah tersebut kemudian digunakan sebagai bahan utama untuk tahapan pra- pemrosesan dan analisis sentimen selanjutnya.
Tabel 1 menyajikan hasil dari proses pengumpulan data.
Table 1.
Hasil Pengumpulan Data Teks @windaul Rokok elektrik ini lebih bahaya karena ada wangi yang bikin awareness orang berkurang beda pas kena asap rokok pasti langsung dikibas.
Temen ku ada yg asma nya lumayan parah kalo ada yg ngvape deket dia pasti itu org itu ku tegur.
Hanya krn ga bau bukan berati ga bahaya Sebuah penelitian yang diterbitkan dalam Harm Reduction Journal menyebutkan snus dapat menjadi solusi pengurangan dampak merokok untuk kesehatan di Eropa.
@Kemenperin_RI #needforalternative #InovasiTembakau #Vape #Snus #HTP #Kantongnikotin https://t.
co/z9B6oWXE9c Pre-processing Pre-processing adalah tahap awal penting dalam text processing guna membersihkan serta menyiapkan data mentah agar layak digunakan dalam analisis.
Proses ini sangat krusial, terutama untuk data media sosial seperti X, karena sering mengandung simbol, tautan, atau kata tidak baku yang dapat mengganggu akurasi analisis.
Cleansing Hasil cleansing menunjukkan bahwa elemen seperti mention (@), tagar (#), dan tautan telah berhasil dihapus, menjadikan teks lebih bersih dan fokus pada opini pengguna, seperti pandangan terhadap bahaya rokok elektrik dan memberishkan atau menghapus kalimat yang tidak relevan.
Proses ini memperbaiki ketepatan analisis sentimen melalui penghapusan komponen yang tidak relevan.
Hasil Cleansing dapat dilihat pada Tabel 2.
Table 2.
Hasil Cleansing Sebelum Cleansing Sesudah Cleansing @windaul Rokok elektrik ini lebih bahaya Rokok elektrik ini lebih bahaya karena ada karena ada wangi yang bikin awareness wangi yang bikin awareness orang orang berkurang beda pas kena asap rokok berkurang beda pas kena asap rokok pasti langsung dikibas.
Temen ku ada yg pasti langsung dikibas Temen ku ada yg asma nya lumayan parah kalo ada yg asma nya lumayan parah kalo ada yg ngvape deket dia pasti itu org itu ku tegur.
ngvape deket dia pasti itu org itu ku Hanya krn ga bau bukan berati ga bahaya tegur Hanya krn ga bau bukan berati ga Sebuah penelitian yang diterbitkan dalam Sebuah penelitian yang diterbitkan dalam HarmReduction Journal menyebutkan snus dapat Harm Reduction Journal menyebutkan snus menjadi solusi pengurangan dampak merokok dapat menjadi solusi pengurangan dampak untuk kesehatan di Eropa.
@Kemenperin_RI merokok untuk kesehatan di Eropa #needforalternative #InovasiTembakau #Vape #Snus #HTP #Kantongnikotin https://t.
co/z9B6oWXE9c Progresif: Vol.
No.
Agustus 2025: 557-572 Progresif e-ISSN: 2685-0877 Tokenize Hasil tokenize menunjukkan bahwa kalimat dipecah menjadi kata-kata terpisah, seperti AuRokok elektrik ini lebih bahayay menjadi \['Rokok', 'elektrik', 'ini', 'lebih', 'bahaya'], sehingga setiap kata dapat dianalisis secara individual untuk mendukung akurasi dalam analisis Hasil Tokenize dapat dilihat pada Tabel 3.
Table 3.
Hasil Tokenize Sebelum Tokenize Sesudah Tokenize @windaul Rokok elektrik ini lebih 'Rokok', 'elektrik', 'ini', 'lebih', 'bahaya', 'karena', bahaya karena ada wangi yang bikin 'ada', 'wangi', 'yang', 'bikin', 'awareness', 'orang', awareness orang berkurang beda pas 'berkurang', 'beda', 'pas', 'kena', 'asap', 'rokok', kena asap rokok pasti langsung dikibas.
'pasti', 'langsung', 'dikibas', 'Temen', 'ku', 'ada'.
Temen ku ada yg asma nya lumayan 'yg', 'asma', 'nya', 'lumayan', 'parah', 'kalo', 'ada', parah kalo ada yg ngvape deket dia 'yg', 'ngvape', 'deket', 'dia', 'pasti', 'itu', 'org', 'itu', pasti itu org itu ku tegur.
Hanya krn ga 'ku', 'tegur', 'Hanya', 'krn', 'ga', 'bau', 'bukan', bau bukan berati ga bahaya 'berati', 'ga', 'bahaya' Sebuah penelitian yang diterbitkan 'Sebuah', 'penelitian', 'yang', 'diterbitkan', dalam Harm Reduction Journal 'dalam', 'Harm', 'Reduction', 'Journal', menyebutkan snus dapat menjadi solusi 'menyebutkan', 'snus', 'dapat', 'menjadi', 'solusi', pengurangan dampak merokok untuk 'pengurangan', 'dampak', 'merokok', 'untuk', kesehatan di Eropa.
@Kemenperin_RI 'kesehatan', 'di', 'EropaAo #needforalternative #InovasiTembakau #Vape#Snus#HTP #Kantongnikotin https://t.
co/z9B6oWXE9c Transform Casses Hasil transform cases menunjukkan bahwa kata-kata dengan huruf kapital seperti "Rokok" dan "Elektrik" telah diubah menjadi huruf kecil agar konsisten, seperti "rokok" dan "elektrik".
Transformasi ini mempermudah analisis dan pemetaan kata dalam perhitungan frekuensi atau pembobotan pada analisis sentimen.
Tabel 4 menyajikan hasil dari proses Transform Cases.
Table 4.
Hasil Transform Casses Sebelum Transform Cases Sesudah Transform Cases @windaul Rokok elektrik ini lebih bahaya karena ada rokok elektrik ini lebih bahaya wangi yang bikin awareness orang berkurang beda karena ada wangi yang bikin pas kena asap rokok pasti langsung dikibas.
Temen awareness orang berkurang beda ku ada yg asma nya lumayan parah kalo ada yg pas kena asap rokok pasti ngvape deket dia pasti itu org itu ku tegur.
Hanya langsung dikibas temen ku ada yg krn ga bau asma nya lumayan parah kalo ada bukan berati ga bahaya yg ngvape deket dia pasti itu org itu ku tegur hanya krn ga bau bukan berati ga bahaya Sebuah penelitian yang diterbitkan dalam Harm sebuah penelitian yang diterbitkan Reduction Journal menyebutkan snus dapat menjadi dalam harm reduction journal solusi pengurangan dampak merokok untuk menyebutkan snus dapat menjadi kesehatan di Eropa.
@Kemenperin_RI solusi pengurangan dampak #needforalternative #InovasiTembakau #Vape merokok untuk kesehatan di eropa #Snus #HTP #Kantongnikotin https://t.
co/z9B6oWXE9c Perbandingan Algoritma NBC dan SVM dalam Analisis Sentimen a.
Hani Rahmawati e-ISSN: 2685-0877 Filter Stopwords Hasil filter stopwords menunjukkan bahwa kata-kata umum seperti kata hubung dan bantu berhasil dihapus, menyisakan kata-kata penting seperti "rokok", "elektrik", "bahaya", dan "jurnal".
Langkah ini bertujuan untuk meningkatkan fokus analisis terhadap inti opini atau informasi dalam tweet.
Tabel 5 memperlihatkan data setelah proses filter stopwords dilakukan.
Table 5.
Hasil Filter Stopwords Sebelum Filter Stopwords Sesudah Filter Stopwords @windaul Rokok elektrik ini lebih bahaya karena rokok elektrik bahaya wangi bikin ada wangi yang bikin awareness orang berkurang awareness orang berkurang beda beda pas kena asap rokok pasti langsung dikibas.
pas kena asap rokok langsung Temen ku ada yg asma nya lumayan parah kalo dikibas temen ku yg asma nya ada yg ngvape lumayan parah kalo yg ngvape deket dia pasti itu org itu ku tegur.
Hanya krn ga bau deket org ku tegur krn ga bau berati bukan berati ga bahaya ga bahaya Sebuah penelitian yang diterbitkan dalam Harm Reduction Journal menyebutkan snus dapat menjadi penelitian diterbitkan harm reduction solusi pengurangan dampak merokok untuk journal snus solusi pengurangan kesehatan di Eropa.
@Kemenperin_RI dampak merokok kesehatan eropa #needforalternative #InovasiTembakau #Vape #Snus #HTP #Kantongnikotin https://t.
co/z9B6oWXE9c Filter Token By Length Hasil filter token by length menunjukkan bahwa kata-kata pendek seperti AuygAy.
AukmAy.
AugaAy.
AudiAy, dan AuituAy telah dihapus dari teks.
Tujuannya adalah agar hanya kata-kata yang lebih bermakna seperti AurokokAy.
AuelektrikAy.
AubahayaAy, dan AupenelitianAy yang dipertahankan, sehingga analisis sentimen menjadi lebih fokus dan relevan terhadap topik yang dikaji.
Hasil Filter Token by Length dapat dilihat pada Tabel 6.
Table 6.
Hasil Filter token By Length Sebelum Filter Token by Length Sesudah Filter Token by Length @windaul Rokok elektrik ini lebih bahaya karena ada wangi yang bikin awareness orang berkurang beda pas kena asap rokok pasti langsung dikibas.
Temen ku ada yg asma nya lumayan parah kalo ada yg ngvape deket dia pasti itu org itu ku tegur.
Hanya krn ga bau bukan berati ga bahaya Sebuah penelitian yang diterbitkan dalam Harm Reduction Journal menyebutkan snus dapat menjadi solusi pengurangan dampak merokok untuk kesehatan di Eropa.
@Kemenperin_RI #needforalternative #InovasiTembakau #Vape #Snus #HTP #Kantongnikotin https://t.
co/z9B6oWXE9c rokok elektrik bahaya wangi bikin awareness orang berkurang beda kena asap rokok langsung dikibas temen asma lumayan parah kalo ngvape deket tegur berati bahaya penelitian diterbitkan harm reduction journal snus solusi pengurangan dampak merokok kesehatan eropa Stemming Hasil stemming menunjukkan bahwa kata berimbuhan telah berhasil dikembalikan ke bentuk dasarnya, seperti AumerasakanAy menjadi AurasaAy dan AuterbitkanAy menjadi AuterbitAy.
Proses ini mencegah sistem menganggap kata serupa sebagai entitas berbeda, sehingga meningkatkan konsistensi dan akurasi dalam klasifikasi sentimen.
Tabel 7 menyajikan hasil dari proses Progresif: Vol.
No.
Agustus 2025: 557-572 Progresif e-ISSN: 2685-0877 Table 7.
Hasil Stemming Sebelum Stemming Sesudah Stemming @windaul Rokok elektrik ini lebih bahaya karena ada rokok elektrik bahaya wangi bikin wangi yang bikin awareness orang berkurang beda awareness orang kurang beda kena pas kena asap rokok pasti langsung dikibas.
Temen asap rokok langsung kibas temen ku ada yg asma nya lumayan parah kalo ada yg asma lumayan parah kalo ngvape ngvapendeket dia pasti itu org itu ku tegur.
Hanya krn deket tegur berat bahaya ga bau bukan berati ga bahaya Sebuah penelitian yang diterbitkan dalam Harm teliti terbit harm reduction journal snus Reduction Journal menyebutkan snus dapat menjadi solusi kurang dampak rokok sehat solusi pengurangan dampak merokok untuk kesehatan di Eropa.
@Kemenperin_RI #needforalternative #InovasiTembakau #Vape #Snus #HTP #Kantongnikotin https://t.
co/z9B6oWXE9c Dari 2.
176 data tweet hasil crawling, dilakukan preprocessing berupa cleansing, tokenizing.
Transform Casses.
Filter Stopwords.
Filter Token By Length dan stemming.
Hasilnya, diperoleh 1.
464 data yang layak untuk dianalisis lebih lanjut.
Labeling Hasil labeling menunjukkan bahwa tweet bernuansa keluhan atau risiko kesehatan diberi label AuNegatifAy, sedangkan yang mendukung atau solutif diberi label AuPositifAy.
Dari total data, 1.
tweet berlabel negatif dan 179 positif, mengindikasikan dominasi persepsi negatif terhadap rokok Hasil Labeling dapat dilihat pada Tabel 8.
Table 8.
Hasil Labeling Teks Rokok elektrik ini lebih bahaya karena ada wangi yang bikin
awareness orang berkurang beda pas kena asap rokok pasti langsung dikibas Temen ku ada yg asma nya lumayan parah
kalo ada yg ngvape deket dia pasti itu org itu ku tegur Hanya krn ga bau bukan berati ga bahaya
Sebuah penelitian yang diterbitkan dalam Harm Reduction Journal menyebutkan snus dapat menjadi solusi pengurangan dampak merokok untuk kesehatan di Eropa
Sentimen
Negatif
Positif
TF-IDF
Metode TF-IDF bekerja dengan memberikan bobot pada setiap kata berdasarkan frekuensi relatifnya dalam satu dokumen serta kelangkaannya di seluruh dokumen lainnya, guna menyoroti kata yang paling bermakna.
Proses konversi teks ke bentuk numerik dilakukan dengan bantuan TfidfVectorizer() dari scikit-learn.
Nilai TF-IDF dihitung dan diurutkan untuk mengidentifikasi kata-kata paling signifikan, seperti AurokokAy.
AuelektrikAy.
AudampakAy, dan AuvapeAy.
Perhitungan TF-IDF dapat dilihat pada Gambar 3.
Gambar 3.
Perhitungan TF-IDF Perbandingan Algoritma NBC dan SVM dalam Analisis Sentimen a.
Hani Rahmawati e-ISSN: 2685-0877 Split Data Split data berperan penting dalam proses pembelajaran mesin dengan memisahkan dataset menjadi dua bagian utama: data latih untuk membentuk model dan data uji untuk mengevaluasi performanya pada data baru.
Penelitian ini menggunakan train_test_split dari Scikit-learn dengan rasio 80% untuk pelatihan dan 20% untuk pengujian, serta menggunakan parameter stratify demi menjaga keseimbangan distribusi label.
Hasilnya, diperoleh 1.
171 data pelatihan dan 293 data pengujian, dengan distribusi label yang tidak seimbang: mayoritas data berlabel negatif.
Gambar 4 memperlihatkan tahapan split data.
Gambar 4.
Split Data Data pelatihan terdiri dari 1.
028 label negatif dan 143 label positif, sedangkan data pengujian terdiri dari 257 label negatif dan 36 label positif.
Ini menunjukkan distribusi label yang tidak seimbang.
6 SMOTE
SMOTE ialah pendekatan oversampling guna meratakan distribusi data dengan menciptakan data sintetis pada kelompok minoritas.
Dalam kasus ini, data awal menunjukkan ketimpangan antara 1.
028 data negatif dan 143 data positif.
Distribusi Label Sebelum SMOTE dapat dilihat pada Gambar 5.
Gambar 5.
Distribusi Label Sebelum SMOTE Setelah diterapkan SMOTE, jumlah data positif ditingkatkan menjadi seimbang, 028 data, sehingga proses pelatihan model menjadi lebih optimal dan akurasi terhadap kelas minoritas meningkat.
Teknik ini diimplementasikan menggunakan library imbalanced-learn.
Distribusi Label Setelah SMOTE dapat dilihat pada Gambar 6.
Progresif: Vol.
No.
Agustus 2025: 557-572 Progresif e-ISSN: 2685-0877 Gambar 6.
Distribusi Label Setelah SMOTE Wordcloud Wordcloud berfungsi sebagai visualisasi teks yang menunjukkan seberapa sering kata muncul berdasarkan perbedaan ukuran huruf.
Pada label positif.
Wordcloud menampilkan katakata yang sering muncul, seperti solusi, sehat, serta kurang dampak, yang mencerminkan pandangan positif terhadap rokok elektrik.
Sebaliknya, pada label negatif, kata- kata seperti bahaya, buruk, dampak, dan larang mendominasi, mengindikasikan adanya kekhawatiran atau sentimen negatif dari pengguna terhadap penggunaan rokok elektrik.
Wordcloud ditampilkan pada Gambar 7.
Gambar 7.
Wordcloud Positif Negatif Implementasi Algoritma Tweet yang telah melalui tahapan preprocessing dan pelabelan kemudian diklasifikasikan menggunakan dua algoritma, yakni Nayve Bayes Classifier dan Support Vector Machine.
Kedua algoritma Pelatihan dilakukan menggunakan data training yang telah diolah dengan teknik oversampling SMOTE, lalu diuji dengan data pengujian yang telah dipisahkan sebelumnya.
Nayve Bayes Classifier (NBC) NBC ialah algoritma klasifikasi bersifat statistik yang mengandalkan Teorema Bayes digunakan dengan anggapan bahwa fitur-fitur tidak saling bergantung.
Dalam implementasinya, digunakan kelas MultinomialNB() dari library scikit-learn, yang efektif untuk klasifikasi data teks.
Model dilatih menggunakan data hasil oversampling X_train_smote dan y_train_smote, lalu melakukan prediksi terhadap data uji X_test dan menyimpan hasilnya dalam variabel nb_pred.
Gambar 8 memperlihatkan proses implementasi dari algoritma NBC.
Gambar 8.
Implementasi Algoritma Nayve Bayes Classifier (NBC) Perbandingan Algoritma NBC dan SVM dalam Analisis Sentimen a.
Hani Rahmawati e-ISSN: 2685-0877 Support Vector Machine (SVM) Algoritma SVM menyelesaikan tugas klasifikasi dengan mengidentifikasi hyperplane yang dapat memaksimalkan margin antar kelas, guna meningkatkan efisiensi pemisahan data.
SVM
efektif dalam mengolah data teks berdimensi besar, terutama dengan bantuan kernel seperti AolinearAo.
Dalam proses pelatihan, digunakan SVC dengan kernel linear pada data yang telah diolah menggunakan SMOTE (X_train_smote dan y_train_smot.
, lalu model digunakan untuk memprediksi data uji (X_tes.
dan hasilnya disimpan dalam variabel svm_pred.
Implementasi Algoritma Support Vector Machine (SVM) dapat dilihat pada Gambar 9.
Gambar 9.
Implementasi Algoritma Support Vector Machine (SVM) Confusion Matrix Confusion matrix adalah bentuk representasi dalam tabel yang digunakan untuk mengevaluasi performa model klasifikasi, dengan menunjukkan jumlah prediksi yang tepat dan keliru berdasarkan label sebenarnya.
Komponen utama dalam matriks ini mencakup True Positive.
True Negative.
False Positive, dan False Negative, yang menjadi acuan untuk menghitung metrik seperti akurasi, presisi, recall, dan F1-score.
Nayve Bayes Classifier (NBC) Nayve Bayes Classifier (NBC) adalah algoritma klasifikasi yang bekerja berdasarkan prinsip probabilistik dengan asumsi independensi antar fitur.
Evaluasi kinerjanya dilakukan menggunakan classification_report() dan accuracy_score(), yang menghasilkan akurasi 80,5%, precision 36,7%, recall 80,6%, dan f1-score 50,4%.
Berdasarkan confusion matrix dengan TP = 29.
FP = 50.
FN = 7, dan TN = 207, model dinilai efektif dalam mengenali data negatif, namun cenderung tinggi dalam memproduksi prediksi positif yang salah.
Visualisasi confusion matrix disajikan pada Gambar 10.
Gambar 10.
Confusion Matrix Nayve Bayes Classifier (NBC) Berdasarkan nilai Confusion matrix pada model Nayve Bayes Classifier (NBC), diperoleh metrik evaluasi sebagai berikut:
Accuracy Precision Recall Progresif: Vol.
No.
Agustus 2025: 557-572 Progresif e-ISSN: 2685-0877 F1-Score Tingginya nilai recall pada model NBC menunjukkan kemampuannya dalam menangkap data positif secara menyeluruh.
Namun, hal ini tidak diimbangi dengan precision yang baik, sehingga model cenderung menghasilkan prediksi positif yang berlebihan dan keliru, namun precision-nya rendah karena masih banyak data negatif yang salah diklasifikasikan sebagai Hal ini menandakan perlunya perbaikan agar prediksi model lebih seimbang antara recall dan precision.
Support Vector Mechine (SVM) SVM ialah metode klasifikasi yang memanfaatkan hyperplane sebagai batas pemisah optimal untuk memisahkan kelas-kelas data dalam ruang fitur.
Evaluasi terhadap model dilakukan menggunakan fungsi classification\_report() untuk memperoleh metrik seperti precision, recall, f1-score, serta accuracy\_score() untuk menghitung akurasi.
Berdasarkan confusion matrix, model menunjukkan performa klasifikasi yang seimbang, dengan True Positive (TP) = 28.
False Positive (FP) = 6.
False Negative (FN) = 8, dan True Negative (TN) = 251.
Hasil ini menunjukkan bahwa SVM efektif dalam mengenali data positif maupun negatif dengan tingkat kesalahan prediksi yang rendah.
Dengan rincian nilai tersebut, diperoleh akurasi sebesar 95,2%, precision 82,4%, recall 77,8%, dan f1-score 79,9%.
Temuan ini mengindikasikan bahwa SVM memiliki performa klasifikasi yang kuat dan stabil, dengan tingkat False Positive yang rendah serta proporsi recall dan precision yang seimbang.
Confusion matrix untuk hasil klasifikasi SVM disajikan pada Gambar 11.
Gambar 11.
Confusion Matrix Support Vector Machine (SVM) Berdasarkan nilai Confusion matrix pada model Support Vector Machine (SVM), diperoleh metrik evaluasi sebagai berikut:
Accuracy Precision Recall F1-Score Perbandingan Algoritma NBC dan SVM dalam Analisis Sentimen a.
Hani Rahmawati 570 e-ISSN: 2685-0877 Dibandingkan dengan NBC, model SVM menunjukkan performa yang lebih unggul secara keseluruhan dalam mengklasifikasikan data pada dataset yang digunakan.
10 Hasil Pengujian dan Pembahasan Kontribusi Penelitian Hasil pengujian menunjukkan bahwa algoritma Support Vector Machine (SVM) memberikan akurasi sebesar 95,2%, sementara Nayve Bayes Classifier (NBC) hanya mencapai akurasi 80,5%.
Selain itu, nilai precision, recall, dan f1-score dari SVM juga lebih seimbang dan stabil dibandingkan NBC, yang cenderung memiliki recall tinggi namun precision rendah.
Hal ini menandakan bahwa SVM lebih mampu mengklasifikasikan sentimen publik secara akurat terhadap isu kesehatan rokok elektrik.
Temuan ini sejalan dengan penelitian yang menggunakan SVM untuk mengklasifikasikan ulasan produk skincare dan mencatat akurasi sebesar 87% serta f1-score 87,37%.
Meskipun objek penelitiannya berbeda, performa SVM yang konsisten tinggi menguatkan hasil penelitian ini, bahwa SVM efektif dalam mengelola data opini berbasis teks, termasuk yang berkaitan dengan isu kesehatan.
Sementara itu, penelitian oleh .
yang hanya menggunakan NBC untuk mengklasifikasikan sentimen pengguna Twitter terhadap rokok elektrik menunjukkan akurasi sebesar 77,5%, dengan dominasi sentimen netral.
Penelitian ini menunjukkan bahwa NBC mampu melakukan klasifikasi, namun belum optimal dalam menangkap kompleksitas opini Penelitian ini memperkuat temuan bahwa NBC cocok digunakan untuk dataset sederhana, namun kurang tangguh jika dibandingkan dengan algoritma seperti SVM dalam menangani data yang lebih kompleks.
Lebih lanjut, konteks kesehatan sebagai latar isu sentimen juga diperkuat dari penelitian oleh .
yang menekankan pentingnya edukasi terhadap bahaya rokok elektrik di kalangan Penelitian tersebut menunjukkan bahwa penyuluhan langsung dapat meningkatkan pengetahuan siswa terhadap risiko kesehatan seperti gangguan paru-paru, jantung, otak, dan sistem pernapasan akibat penggunaan rokok elektrik.
Hal ini menegaskan bahwa rokok elektrik memang menjadi isu kesehatan yang penting dan layak untuk dianalisis dari sudut pandang opini Dengan demikian, kontribusi utama dari penelitian ini adalah memberikan perbandingan langsung dan terukur antara NBC dan SVM dalam konteks analisis sentimen terhadap isu kesehatan, khususnya pada rokok elektrik.
Tidak hanya menguatkan hasil dari penelitian sebelumnya, penelitian ini juga menambahkan konteks baru dengan menggunakan data aktual dari media sosial X (Twitte.
dan menerapkan pendekatan pembobotan TF-IDF serta balanceing data menggunakan SMOTE, yang belum banyak dilakukan secara terintegrasi di penelitian Hasil ini diharapkan dapat memperkuat literatur yang ada dalam bidang analisis sentimen terhadap isu kesehatan, serta memberikan rujukan bagi penelitian lanjutan dalam memilih algoritma klasifikasi yang tepat sesuai konteks dan karakteristik data.
Simpulan Berdasarkan hasil evaluasi model.
NBC menunjukkan akurasi sebesar 80,5% dengan keunggulan dalam mendeteksi data positif .
ecall tingg.
, namun lemah dalam akurasi prediksi data negatif .
recision renda.
Sementara itu, algoritma SVM berhasil mencapai akurasi sebesar 95,2% serta menunjukkan keseimbangan yang optimal antara precision dan recall.
Berdasarkan hasil tersebut, dapat disimpulkan bahwa SVM memiliki keunggulan performa dibandingkan NBC dalam konteks analisis sentimen terhadap kesehatan rokok elektrik pada masyrakat.
Maka dari itu.
SVM direkomendasikan untuk digunakan dalam penelitian sejenis di masa depan.
Daftar Referensi .
AuKementerian Kesehatan dan WHO Menerbitkan Laporan Global Adult Tobacco Survey Indonesia 2021,Ay WHO INDONESIA.
https://w.
int/indonesia/id/news/detail/22-082024-ministry-of-health-and-who-release-global-adult-tobacco-survey-indonesia-report2021 .
Apriani.
Oktavianalisti.
Monasari.
Winarni, and I.
Hanif.
AuAnalisis Sentimen Penggunaan TikTok Sebagai Media Pembelajaran Menggunakan Algoritma Nayve Bayes Classifier,Ay MALCOM Indones.
Mach.
Learn.
Comput.
Sci.
, vol.
4, no.
3, pp.
1160Ae1168.
Progresif: Vol.
No.
Agustus 2025: 557-572 Progresif e-ISSN: 2685-0877 2024, doi: 10.
57152/malcom.
Muhammadin and I.
Sobari.
AuAnalisis Sentimen Pada Ulasan Aplikasi Kredivo Dengan Algoritma Svm Dan Nbc,Ay Reputasi J.
Rekayasa Perangkat Lunak, vol.
2, no.
2, pp.
85Ae91, 2021, doi: 10.
31294/reputasi.
Aditya.
Supriyati, and T.
Listyorini.
AuAnalisis Sentimen Pengguna Twitter Terhadap Rokok Elektrik (Vap.
Di Indonesia Menggunakan Metode Nayve Bayes,Ay JIPI (Jurnal Ilm.
Penelit.
dan Pembelajaran Inform.
, vol.
7, no.
1, pp.
43Ae50, 2022, doi:
29100/jipi.
Khadapi and V.
Maruli Pakpahan.
AuAnalisis Sentimen Berbasis Jaringan LSTM dan BERT terhadap Diskusi Twitter tentang Pemilu 2024,Ay JUKI J.
Komput.
dan Inform.
, vol.
6, no.
130Ae137, [Onlin.
Available:
https://w.
php/JUKI/article/view/681 .
Ahmad.
Puspaningrum, and R.
Mumpuni.
AuStudi Performa TF-IDF dan Word2Vec Pada Analisis Sentimen Cyberbullying,Ay Router J.
Tek.
Inform.
dan Terap.
, no.
2, pp.
94Ae 106, 2024, [Onlin.
Available: https://doi.
org/10.
62951/router.
Kosasih and A.
Alberto.
AuAnalisis Sentimen Produk Permainan Menggunakan Metode TFIDF Dan Algoritma K-Nearest Neighbor,Ay InfoTekJar J.
Nas.
Inform.
dan Teknol.
Jar.
, vol.
1, pp.
134Ae139, 2021, [Onlin.
Available: https://doi.
org/10.
30743/infotekjar.
Azrul.
Irma Purnamasari, and I.
Ali.
AuAnalisis Sentimen Pengguna Twitter Terhadap Perkembangan Artificial Intelligence Dengan Penerapan Algoritma Long Short-Term Memory (Lst.
,Ay JATI (Jurnal Mhs.
Tek.
Inform.
, vol.
8, no.
1, pp.
413Ae421, 2024, doi:
36040/jati.
Very et al.
AuJEPIN (Jurnal Edukasi dan Penelitian Informatik.
Optimasi Klasifikasi Sentimen Menggunakan Random Forest dengan Preprocessing K-Means Clustering dan SMOTE,Ay JEPIN (Jurnal Edukasi dan Penelit.
Inform.
, vol.
10, no.
3, pp.
389Ae400, 2024.
Andriyani.
Ahmad Faqih, and Sandy Eka Permana.
AuThe Effect of SMOTE Application on Support Vector Machine Performance in Sentiment Classification on Imbalanced Datasets,Ay Artif.
Intell.
Eng.
Appl.
, vol.
4, no.
2, pp.
752Ae757, 2025, doi: 10.
59934/jaiea.
Rahmatullah.
Andono.
Affandy, and M.
Soeleman.
AuImproving Random Forest Performance for Sentiment Analysis on Unbalanced Data Using SMOTE and BoW Integration: PLN Mobile Application Case Study,Ay Sci.
Informatics, vol.
12, no.
1, pp.
1Ae10, 2025, doi: 10.
15294/sji.
Setiadi and S.
Sugiyamta.
AuAnalisis dan Visualisasi Berbasis Web Sentimen Pengguna Jenius Menggunakan Nayve Bayes Classifier,Ay J.
Teknol.
Sist.
Inf.
dan Apl.
, vol.
7, no.
1, pp.
245Ae254, 2024, doi: 10.
32493/jtsi.
Damanhuri and V.
Husein.
AuAnalisis Sentimen pada Ulasan Aplikasi Access by KAI Berbahasa Indonesia Menggunakan Word-Embedding dan Classical Machine Learning,Ay J.
Masy.
Inform.
, vol.
15, no.
2, pp.
97Ae106, 2024, doi: 10.
14710/jmasif.
CAHYO.
AuAnalisis Prediksi Kelulusan Mahasiswa Dengan Metode Naive Bayes Classifier (Studi Kasus: Program Studi Diploma i Teknologi Bank Darah di,Ay 2024, [Onlin.
Available:
https://eprints.
id/10436/ .
Hidayat.
Fikry.
Yusra.
Yanto, and E.
Cynthia.
AuPenerapan Nayve Bayes Classifier dalam Klasifikasi Sentimen Publik di Twitter terhadap Puan Maharani,Ay JUKI J.
Komput.
dan Inform.
, vol.
6, no.
1, pp.
100Ae108, 2024, doi: 10.
53842/juki.
Mudya Yolanda and R.
Tri Mulya.
AuImplementasi Metode Support Vector Machine untuk Analisis Sentimen pada Ulasan Aplikasi Sayurbox di Google Play Store,Ay VARIANSI J.
Stat.
Its Appl.
Teach.
Res.
, vol.
6, no.
2, pp.
76Ae83, 2024, doi: 10.
35580/variansiunm258.
Ditami.
Ripanti, and H.
Sujaini.
AuImplementasi Support Vector Machine untuk Analisis Sentimen Terhadap Pengaruh Program Promosi Event Belanja pada Marketplace,Ay Edukasi dan Penelit.
Inform.
, vol.
8, no.
3, p.
508, 2022, doi: 10.
26418/jp.
Normawati and S.
Prayogi.
AuImplementasi Nayve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,Ay J.
Sains Komput.
Inform.
(J-SAKTI,
5, no.
2, pp.
697Ae711, 2021.
Chandra and E.
Sipayung.
AuAnalisis Sentimen Ulasan Aplikasi Samsat Digital Nasional Menggunakan Algoritma Naive Bayes Classifier,Ay J.
Nas.
Teknol.
dan Sist.
Inf.
, vol.
10, no.
3, pp.
156Ae164, 2025, doi: 10.
25077/teknosi.
Perbandingan Algoritma NBC dan SVM dalam Analisis Sentimen a.
Hani Rahmawati 572 e-ISSN: 2685-0877 .
Susanto.
Mahardika, and H.
Purwantiningrum.
AuPemberdayaan Kesehatan Remaja :
Edukasi Bahaya Rokok Elektrik bagi Siswa SMA Negeri 2 Tegal,Ay J.
Pengabdi.
UNDIKMA,
4, no.
3, p.
634, 2023, doi: 10.
33394/jpu.
Progresif: Vol.
No.
Agustus 2025: 557-572