Evaluasi SVM, Naive Bayes, dan LSTM dengan Variasi Fitur TF-IDF pada Sentimen MBG

Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap Program Makan Bergizi Gratis (MBG) menggunakan algoritma Support Vector Machine (SVM), Naive Bayes (NB), dan Long Short-Term Memory (LSTM). Perbandingan kinerja model dilakukan berdasarkan variasi representasi fitur TF-IDF, yaitu unigram, bigram, dan kombinasi unigram+bigram. Dataset yang digunakan terdiri dari 4.968 komentar yang telah diklasifikasikan ke dalam tiga kategori sentimen, yaitu positif, netral, dan negatif. Tahapan penelitian meliputi text preprocessing, ekstraksi fitur menggunakan TF-IDF, penanganan data tidak seimbang dengan Random Over Sampling (ROS), pelatihan model, serta evaluasi menggunakan testing accuracy, cross validation, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model SVM dengan representasi fitur unigram menghasilkan performa terbaik dengan testing accuracy sebesar 76,16% dan F1-score sebesar 0,68. Sementara itu, LSTM unigram memperoleh nilai cross validation tertinggi sebesar 76,07%, yang menunjukkan tingkat kestabilan model yang baik pada berbagai subset data. Temuan ini menunjukkan bahwa pemilihan algoritma dan representasi fitur memiliki pengaruh yang signifikan terhadap performa klasifikasi sentimen. Kelompok 1 1. Ika Wida Nuragustin (2311110001) 2. Ersa Amelia (2311110009) 3. Afifah Faiqatuzzahra (2311110043) Program Studi S1 Sains Data Telkom University Purwokerto #TextMining #AnalisisSentimen #MachineLearning #DeepLearning #SVM #NaiveBayes #LSTM #TFIDF #DataScience #SentimentAnalysis #MBG #NaturalLanguageProcessing #NLP