Optimasi Analisis Sentimen terhadap Aplikasi Pencari Kerja menggunakan Perbandingan Algoritma Machine Learning - BAB II Landasan Teori

Aug 4, 2026

Unggah oleh Ophelia

Penelitian pada BAB II Landasan Teori merangkum studi terdahulu terkait analisis sentimen dengan fokus perbandingan algoritma machine learning. Tinjauan sepuluh artikel jurnal menunjukkan penggunaan yang dominan pada Naïve Bayes (NB) dan Support Vector Machine (SVM), disertai algoritma lain seperti KNN, Decision Tree (DT), serta pendekatan berbasis TF-IDF. Hasil berbagai studi memperlihatkan perbedaan akurasi antar algoritma, di mana SVM unggul pada beberapa kasus (misalnya Zoom dan Kampus Merdeka), sedangkan NB tampil lebih baik pada kasus lain seperti ulasan perokok Twitter dan beberapa dataset vaksinasi.

BahasaIndonesian

KategoriPenelitian & Laporan

FormatPDF

Halaman18

Waktu Membaca28 mnt

AksesGratis untuk diunduh

Daftar Isi

Penelitian Terdahulu

Perbandingan Algoritma Analisis Sentimen

BAB II LANDASAN TEORI Penelitian Terdahulu Tabel 2 1 Penelitian terdahulu | No | Jurnal | Judul | Penulis | Metode | Hasil | | --- | --- | --- | --- | --- | --- | | 1 | CESS (Journal
of Computer
Engineering
System and
Science) p
ISSN :2502-
7131
Vol. 5 No. 2
Juli 2020 | Analisis
Sentimen
Zoom Cloud
Meetings di
Play Store
Menggunakan
Naïve Bayes
dan Support
Vector
Machine | Nuraeni
Herlinawati,
Yuri Yuliani,
Siti Faizah,
Windu Gata,
Samudi
Samudi | NB
dan SVM | untuk NB nilai akurasi = 74,37% Sedangkan untukalgoritma SVM nilai akurasi = 81,22% . dapat diketahuibahwa tingkat akurasi yang didapatkan algoritma Support Vector Machine (SVM) lebih unggul 6,85% dibandingkan algoritma Naïve Bayes (NB) . | | 2 | Jurnal Teknik
Informatika
dan Sistem
Informasi
Vol.8,No.2,Jun
i 2021 | Analisis
Sentimen Pada
Ulasan
Pengguna
Aplikasi Bibit
Dan Bareksa
Dengan
Algoritma
KNN | Alusius Dwiki Adhi Putra, Safitri Juanita | KNN | Akurasi untuk aplikasi Bibit 85,14%,91,91%,dan 76,44%
Aplikasi Bareksa
81,70%,87,15%,75,73% | | 3 | Unnes Journal
of
Mathematics
Vol.10,No.2
Desember
2021 | Analisis
Sentimen
Aplikasi Gojek
Menggunakan
Support Vector
Machine dan
K Nearest
Neighbour | M.Nurul Muttaqin, Iqbal
Kharisudin | SVM dan
KNN | KNN memperoleh akurasi 82,14%,82,28%,dan 95,43%
SVM memperoleh akurasi 87,98%,88,55% dan 95,43% | | --- | --- | --- | --- | --- | --- | | 4 | IJNMT
(International
Journal of
New media
Technology ),
Vol.8,No.1,20
21 | Sentiment
Analysis about
Indonesian
LawyersClub
Television
Program Using
K-Nearest
Neighbor,
Naïve Bayes
Classifier, and
Decision Tree | Nico
Nathanael
Wilim,
Raymond
Sunardi
Oetama | KNN, NB,
dan DT | Akurasi sebesar 76,94% diperoleh algoritma KNN. Namun,penggunaan dataset pada tahun yang berbedamenunjukkan bahwa akurasitertinggi diperoleh algoritma
NB | | 5 | Sinkron:Jurnal
dan Penelitian
Teknik
Informatika,V
ol. 8, No. 1,
2023 | Sentiment
Analysis on
App Reviews
Using Support
Vector
Machine and
Naïve Bayes
Classification | Marchenda
Fayza
Madjid,Dian
Eka
Ratnawati,Bay
u Rahayudi
Marchenda | TF-IDF,NB dan SVM | SVM memperoleh akurasi 94,29% dan NB memperolehakurasi 93,97% | | 6 | Jurnal
Rekayasa
Sistem dan
Teknologi
Informasi,
Vol.7,No.1
,2023 | Naïve Bayes
and TF-IDF
for Sentiment
Analysis of the
Covid-19
Booster
Vaccine | Imelda, Arief Ramdhan Kurnianto | Naïve
Bayes | Naïve Bayes memperolehakurasi 85,26% | | --- | --- | --- | --- | --- | --- | | 7 | International
Research
Journal of
Engineering
and
Technology
Vol.7,No.7,20
20 | Support
Vector
Machine
versus Naïve
Bayes
Classifier : A
Juxtaposition
of Two
Machine
Learning
Algorithms for
Sentiment
Analysis | Ananya Arora, Prayag Patel, Saud Shaikh , Prof. Amit Hatekar | SVM, NB | Naïve Bayes Sedikit lebih baik secara keseluruhan | | 8 | Indonesian
Journal of
Computer
Science
Vol.12,No.1,2
023 | Analisa
Sentimen
pengguna
social media
Twitter
terhadap
perokok di
indonesia | Dewisetiyawati , Nuri Cahyono | NB,SVM dan Random
Forest | Naïve Bayes memiliki hasilakurasi terbesar dengan nilai
akurasi tertinggi 62,1% | | 9 | Jurnal
Nasional
Teknik Elektro
dan Teknologi
Informasi
Vol.10,No.2,2
021 | Analisis
Sentimen
Masyarakat
terhadap
Tindakan
Vaksinisasi
dalam Upaya
Mengatasi
Pandemi
Covid-19 | Brian Laurensz, Eko Sediyono | NB,SVM | Hasil akurasi tertinggi diraiholeh Naïve Bayes denganangka rata-rata 85,59% berbanding sedikit dengan SVM dengan angka rata-rata 84,41% | | --- | --- | --- | --- | --- | --- | | 10 | Jurnal Sistem Komputer dan Informatika Vol.4,No.2,20 22 | Analisis
Sentimen
Ter

Pertanyaan Umum

Algoritma apa yang paling sering digunakan pada penelitian terdahulu untuk analisis sentimen?

Naïve Bayes (NB) dan Support Vector Machine (SVM) menjadi algoritma yang paling sering digunakan, disertai beberapa algoritma lain seperti KNN dan Decision Tree (DT).

Algoritma mana yang unggul pada analisis review marketplace (Bibit dan Bareksa) menurut studi kedua?

Studi kedua menggunakan algoritma KNN dengan akurasi yang lebih tinggi pada beberapa komponen pengujian, misalnya Bibit 85,14% serta Bareksa 87,15% (nilai akurasi tercantum pada tabel studi).

Pada studi tentang sentimen isu perokok di Twitter, algoritma mana yang menghasilkan akurasi tertinggi?

Naïve Bayes (NB) menghasilkan akurasi tertinggi sebesar 62,1%, mengalahkan SVM dan DT.

Aug 4, 2026

Unggah oleh Ophelia