Analisis Komparatif Metode Naive Bayes Dan Support Vector Machine (SVM) untuk Klasifikasi Gender Berdasarkan Komentar Pada Platform X (Twitter)

Abstract

Media sosial X (sebelumnya Twitter) merupakan salah satu platform yang banyak digunakan oleh masyarakat untuk menyampaikan opini dalam bentuk komentar teks. Komentar-komentar ini tidak hanya mencerminkan pandangan pengguna, tetapi juga menyimpan informasi yang berpotensi untuk mengenali karakteristik demografis, seperti gender. Dalam konteks tersebut, penelitian ini bertujuan untuk membangun dan membandingkan dua model klasifikasi teks, yaitu Naïve Bayes dan Support Vector Machine (SVM), dalam mengklasifikasikan gender berdasarkan komentar pengguna di media sosial X. Penelitian ini menggunakan pendekatan pembelajaran mesin dengan memanfaatkan teknik ekstraksi fitur TF-IDF terhadap data komentar yang diperoleh melalui web scraping. Proses evaluasi dilakukan terhadap tiga skenario jumlah data (1000, 3000, dan 5000 komentar), dengan dua variasi rasio pembagian data latih dan uji (70:30 dan 80:20), serta beberapa konfigurasi hyperparameter untuk masing-masing model. Kinerja kedua model diukur menggunakan empat metrik utama, yaitu akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa SVM secara konsisten menghasilkan performa yang lebih tinggi dibandingkan Naïve Bayes dalam seluruh skenario pengujian, khususnya pada dataset berukuran besar. Meskipun Naïve Bayes memiliki keunggulan dari sisi efisiensi komputasi, SVM menunjukkan kemampuan generalisasi yang lebih kuat serta stabilitas klasifikasi yang lebih baik. Dengan demikian, SVM menjadi pilihan yang lebih tepat untuk klasifikasi gender berbasis komentar teks ketika akurasi menjadi prioritas utama.Penelitian ini diharapkan dapat memberikan kontribusi bagi pengembangan sistem klasifikasi berbasis teks dalam berbagai domain, seperti analisis media sosial, pemasaran digital berbasis gender, serta sistem moderasi konten berbasis pengguna.