ANALISIS PERBANDINGAN KINERJA ALGORITMA SVM, NAÏVE BAYES, DAN KNN DALAM KLASIFIKASI SENTIMEN ULASAN APLIKASI PINTEREST DENGAN SMOTE DAN PSO

Pesatnya penggunaan media sosial menyebabkan jumlah ulasan pengguna terus bertambah sehingga diperlukan analisis otomatis berbasis machine learning. Studi ini berfokus pada pengembangan model klasifikasi sentimen untuk ulasan aplikasi Pinterest di Google Play Store dengan mengevaluasi tiga algoritma Support Vector Machine (SVM), Naïve Bayes, dan K-Nearest Neighbors (KNN) yang dipadukan dengan Synthetic Minority Oversampling Technique (SMOTE) dan Particle Swarm Optimization (PSO). Sebanyak 10.000 ulasan diperoleh melalui web scraping dan diolah melalui tahapan preprocessing, pelabelan menggunakan leksikon InSet, penerapan TF-IDF, serta pembagian data 80:20. SMOTE diterapkan terlebih dahulu untuk menyeimbangkan distribusi kelas, kemudian PSO digunakan untuk melakukan optimasi parameter pada masing-masing algoritma klasifikasi. Temuan penelitian menunjukkan bahwa SVM menjadi model dengan performa terbaik, mencapai akurasi 95% serta f1-score yang lebih seimbang setelah penerapan SMOTE dan PSO, sedangkan Naïve Bayes dan KNN masih menunjukkan sensitivitas terhadap ketidakseimbangan kelas.. Sebagai output akhir, penelitian ini mengembangkan dashboard prediksi berbasis Streamlit untuk menampilkan sentimen secara real-time, sehingga dapat mendukung analisis persepsi pengguna secara praktis dan efisien. Temuan ini menegaskan efektivitas kombinasi SVM, SMOTE, dan PSO sebagai pendekatan optimal dalam klasifikasi sentimen pada data ulasan yang tidak seimbang.