Perbandingan Algoritma Support Vector Machine dan K-Nearest Neighbor Dalam Analisis Sentimen Mobil Listrik

Masalah lingkungan seperti perubahan iklim dan pencemaran udara telah mendorong inovasi terhadap kendaraan yang lebih ramah lingkungan, salah satunya adalah mobil listrik. Namun, di Indonesia, respons masyarakat terhadap mobil listrik masih beragam dan banyak dibicarakan di media sosial, khususnya TikTok. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap mobil listrik melalui komentar pengguna TikTok serta mengevaluasi kinerja dua algoritma machine learning, yaitu Support Vector Machine (SVM) dan K-Nearest Neighbor (K-NN), dalam klasifikasi sentimen. Sebanyak 2.567 komentar dikumpulkan dan diproses melalui beberapa tahap, termasuk pembersihan data duplikat dan null, serta pemrosesan seperti tokenisasi, stemming, penghapusan stopword, dan normalisasi. Penentuan label sentimen dilakukan menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF), kemudian divalidasi oleh pakar bahasa untuk memastikan akurasi pelabelan. Distribusi sentimen dalam data tersebut terdiri dari 25.3% positif, 33.8% negatif, dan 40.9% netral. Hasil evaluasi menunjukkan bahwa algoritma SVM menghasilkan akurasi tertinggi sebesar 91.49% dengan performa yang konsisten pada seluruh kategori sentimen. Sementara itu, algoritma K-NN memperoleh akurasi 86.25%, dengan performa yang sedikit lebih rendah pada kategori sentimen negatif dan positif. Dengan demikian, algoritma SVM terbukti lebih unggul dalam mengklasifikasikan opini publik mengenai mobil listrik di platform TikTok dibandingkan dengan K-NN.

Kata kunci: Support Vector Machine, K-Nearest Neighbor, Term Frequency-Inverse Document Frequency.