PERBANDINGAN KINERJA NAÏVE BAYES DAN SVM PADA ULASAN KULINER BALI DENGAN SLANG CODE-MIXING

Abstrak

Ulasan daring telah menjadi sumber utama bagi konsumen dalam menilai kualitas produk dan layanan, termasuk pada sektor kuliner di Bali. Namun, ulasan tersebut umumnya ditulis dalam bentuk bahasa informal yang mengandung slang, ekspresi tidak baku, serta code-mixing antara bahasa Indonesia, Inggris, dan bahasa daerah. Karakteristik ini menimbulkan tantangan bagi sistem analisis sentimen karena variasi bahasa dapat menurunkan konsistensi dan keandalan hasil klasifikasi. Penelitian ini membandingkan kinerja dua metode pembelajaran mesin, yaitu Naïve Bayes dan Support Vector Machine (SVM), dalam mengklasifikasikan sentimen ulasan kuliner Bali yang bersifat tidak terstruktur. Dataset yang digunakan terdiri dari 5.000 ulasan Google Review yang diproses melalui tahapan pembersihan teks, normalisasi slang, serta representasi fitur TF-IDF dengan kombinasi unigram dan bigram. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, F1-score, serta 5-fold cross-validation untuk menilai stabilitas performa. Naïve Bayes digunakan sebagai baseline, sehingga perbedaan kinerja kedua metode dapat diamati secara lebih objektif. Hasil eksperimen menunjukkan bahwa SVM memberikan performa yang lebih seimbang dan konsisten dibandingkan Naïve Bayes, khususnya pada kelas minoritas. Naïve Bayes cenderung bias terhadap kelas mayoritas akibat asumsi independensi fitur dan distribusi data yang tidak seimbang. Selain itu, tahap preprocessing, terutama normalisasi slang, terbukti berkontribusi dalam mengurangi variasi leksikal dan meningkatkan keterbacaan pola sentimen. Temuan ini mengindikasikan bahwa pemilihan metode klasifikasi dan strategi preprocessing yang tepat berperan penting dalam menjaga keandalan sistem analisis sentimen pada konteks bahasa informal dan multibahasa.

Identifier

• DOI: https://doi.org/10.36341/rabit.v11i1.7473
• OpenAlex: https://openalex.org/W7126426812