Analisis Sentimen Menggunakan Support Vector Machine dan Naive Bayes Pengguna Game Roblox

Abstract

Studi ini berfokus pada klasifikasi sentimen pengguna Roblox, platform user-generated content (UGC) yang berkembang pesat untuk membantu pengembang memahami kepuasan pengguna secara sistematis. Penelitian ini membandingkan kinerja algoritma Support Vector Machine (SVM) dan Naive Bayes (NB) dengan mengatasi research gap dari studi sebelumnya yang hanya menggunakan dua kelas sentimen dan metode evaluasi kurang robust. Data sebanyak 435.846 ulasan dari Kaggle disaring menjadi 17.434 ulasan berdasarkan kriteria kejelasan teks dan kelayakan pelabelan sentimen, mengabaikan data yang tidak informatif atau ambigu. Tahapan meliputi preprocessing (case folding, tokenizing, filtering, stemming), pemodelan, dan evaluasi menggunakan 10-Fold Stratified Cross-Validation. Hasil menunjukkan SVM mencapai kinerja sempurna (100% pada semua metrik), sedangkan NB mencatat akurasi 87,3% dengan recall rendah (67,4%) akibat asumsi independensi fitur dan ketidakseimbangan kelas. Simpulan menegaskan keunggulan SVM untuk analisis sentimen ini, dengan rekomendasi penggunaan algoritma lain seperti Random Forest atau BERT serta penanganan class imbalance pada penelitian mendatang.