ANALISIS KOMPARATIF ALGORITMA SVM NAIVE BAYES DAN LSTM PADA SENTIMEN KOMENTAR LAGU LABOUR

Abstract

Analisis sentimen menjadi pendekatan penting dalam memahami persepsi publik terhadap isu-isu sosial yang dikemas dalam bentuk karya musik digital. Penelitian ini bertujuan untuk membandingkan performa tiga algoritma klasifikasi teks, yaitu Support Vector Machine (SVM), Naive Bayes (NB), dan Long Short-Term Memory (LSTM), dalam mengklasifikasikan sentimen komentar YouTube terhadap lagu Labour karya Paris Paloma. Dataset terdiri dari 10.061 komentar hasil scraping yang kemudian disaring menjadi 8.042 komentar valid yang telah melalui proses prapemrosesan dan pelabelan sentimen menggunakan metode lexicon-based. Model SVM menggunakan representasi TF-IDF, sementara LSTM memanfaatkan embedding layer dan arsitektur sekuensial. Hasil evaluasi menunjukkan bahwa SVM mencapai akurasi tertinggi sebesar 84,09%, disusul LSTM sebesar 83,28%, dan Naive Bayes dengan akurasi 78,50%. SVM unggul dalam menangani komentar pendek yang eksplisit, sedangkan LSTM lebih mampu memahami konteks emosional dalam komentar panjang. Simpulan dari penelitian ini menunjukkan pentingnya pemilihan algoritma yang sesuai dengan karakteristik data, serta potensi pengembangan lebih lanjut dengan pendekatan berbasis transformer atau teknik penyeimbangan data.