PERBANDINGAN KINERJA MODEL SUPPORT VECTOR MACHINE DAN NAÏVE BAYES UNTUK ANALISIS SENTIMEN SUPER APP POLRI

Transformasi digital layanan publik mendorong Kepolisian Republik Indonesia mengembangkan aplikasi Polri Super App, namun menghadapi tantangan penerimaan pengguna yang tercermin dalam ulasan beragam. Penelitian ini bertujuan membandingkan kinerja algoritma Support Vector Machine (SVM) dan Naïve Bayes dalam mengklasifikasikan sentimen ulasan pengguna aplikasi Polri Super App. Data penelitian menggunakan 3.997 ulasan dari Apple Store yang melalui preprocessing komprehensif meliputi normalisasi, tokenisasi, penghapusan stopword, dan stemming Sastrawi. Pelabelan sentimen dilakukan menggunakan InSet Lexicon, menghasilkan 55,0% ulasan positif dan 45,0% negatif. Ekstraksi fitur menggunakan metode TF-IDF dengan pembagian data 80:20 untuk pelatihan dan pengujian. Hasil evaluasi menunjukkan SVM mengungguli Naïve Bayes secara signifikan dengan akurasi 91,5% berbanding 79,0% (selisih 12,5 poin persentase). SVM mempertahankan keseimbangan F1-score 90,6% (negatif) dan 92,2% (positif), sedangkan Naïve Bayes menunjukkan ketidakseimbangan dengan recall 87,2% (negatif) namun hanya 72,3% (positif). Keunggulan SVM disebabkan kemampuan hyperplane optimization dalam menangani data teks berdimensi tinggi tanpa asumsi independensi fitur kaku. Penelitian merekomendasikan penggunaan SVM untuk implementasi sistem monitoring sentimen layanan digital kepolisian dan eksplorasi algoritma ensemble serta deep learning untuk penelitian lanjutan.