Analisis Sentimen Pengguna WhatsApp Menggunakan Support Vector Machine dengan Perbandingan TF-IDF dan Non TF-IDF

• KENZA AGATHA PUTRI ARIEF
• 2026

---

Analisis sentimen dapat digunakan untuk memahami opini pengguna terhadap aplikasi berdasarkan ulasan yang diberikan. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja algoritma Support Vector Machine (SVM) dalam mengklasifikasikan sentimen ulasan aplikasi WhatsApp menggunakan dua pendekatan pembentukan fitur, yaitu tanpa pembobotan fitur (Non TF-IDF) dan dengan pembobotan fitur Term Frequency–Inverse Document Frequency (TF-IDF). Dataset ulasan WhatsApp diperoleh dari dataset publik, kemudian diklasifikasikan menggunakan SVM dengan kernel Linear dan Radial Basis Function (RBF) pada rasio data 70:30, 80:20, dan 90:10. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, dan Area Under the Curve (AUC). Hasil penelitian menunjukkan bahwa model SVM dengan pembobotan TF-IDF memberikan kinerja yang lebih baik dibandingkan Non TF-IDF, dengan konfigurasi terbaik diperoleh pada TF-IDF dengan kernel RBF dan rasio data 80:20, yang menghasilkan akurasi testing sebesar 81.0%, F1-score sebesar 0.807, dan AUC sebesar 0.872. Dengan demikian, pembobotan TF-IDF terbukti berkontribusi signifikan dalam meningkatkan performa klasifikasi sentimen ulasan WhatsApp menggunakan algoritma SVM.

• Support Vector Machine
• TF-IDF
• WhatsApp
• Analisis Sentimen

https://repository.bsi.ac.id/repo/81541/Analisis-Sentimen-Pengguna-WhatsApp-Menggunakan-Support-Vector-Machine-dengan-Perbandingan-TF-IDF-dan-Non-TF-IDF
Anda dapat membaca file tugas akhir ini di repository.