Analisis Sentimen Pengguna Media Sosial terhadap Penggunaan Artificial Intelligence dalam Dunia Kerja Menggunakan Naïve Bayes dan Support Vector Machine

Nur Azizah Harahap; Puspita Wanny; Khairunnisa Khairunnisa

doi:10.31004/riggs.v5i2.12229

Authors

Nur Azizah Harahap Universitas Panca Budi
Puspita Wanny Universitas Panca Budi
Khairunnisa Khairunnisa Universitas Panca Budi

DOI:

https://doi.org/10.31004/riggs.v5i2.12229

Keywords:

Anaisis Sentimen, Artificial Intelegence, Naive Baiyes, Support Vector Machine (SVM), TF-IDF, Text Mining

Abstract

Perkembangan Artificial Intelligence (AI) telah membawa perubahan signifikan dalam berbagai sektor pekerjaan dan memunculkan beragam tanggapan dari masyarakat. Sebagian masyarakat memandang AI sebagai peluang untuk meningkatkan produktivitas dan efisiensi kerja, sementara sebagian lainnya mengkhawatirkan dampaknya terhadap keberlangsungan lapangan pekerjaan. Penelitian ini bertujuan untuk menganalisis sentimen pengguna media sosial terhadap penggunaan Artificial Intelligence dalam dunia kerja serta membandingkan kinerja algoritma Naïve Bayes dan Support Vector Machine (SVM) dalam proses klasifikasi sentimen. Data penelitian diperoleh melalui proses scraping komentar YouTube yang membahas penggunaan AI dalam dunia kerja dan menghasilkan sebanyak 2.365 komentar. Data yang terkumpul melalui tahapan preprocessing yang meliputi case folding, cleansing, dan stopword removal, kemudian dilakukan pelabelan sentimen menggunakan pendekatan lexicon-based sentiment analysis. Selanjutnya, fitur diekstraksi menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF) dan diklasifikasikan menggunakan algoritma Naïve Bayes dan Support Vector Machine. Hasil penelitian menunjukkan bahwa sentimen pengguna didominasi oleh sentimen netral sebanyak 68,37%, diikuti sentimen positif sebesar 20,04%, dan sentimen negatif sebesar 11,59%. Berdasarkan hasil pengujian, algoritma Naïve Bayes memperoleh accuracy sebesar 68,92%, precision sebesar 78,77%, recall sebesar 68,92%, dan F1-score sebesar 57,94%. Sementara itu, algoritma Support Vector Machine memperoleh accuracy sebesar 84,57%, precision sebesar 87,09%, recall sebesar 84,57%, dan F1-score sebesar 82,93%. Hasil tersebut menunjukkan bahwa Support Vector Machine memiliki performa yang lebih baik dibandingkan Naïve Bayes dalam melakukan klasifikasi sentimen pengguna media sosial terhadap penggunaan Artificial Intelligence dalam dunia kerja.

Downloads

Download data is not yet available.

References

[1] Y. K. Dwivedi et al., “International Journal of Information Management Opinion Paper : ‘ So what if ChatGPT wrote it ? ’ Multidisciplinary perspectives on opportunities , challenges and implications of generative conversational AI for research , practice and policy ☆,” vol. 71, no. March, 2023, doi: 10.1016/j.ijinfomgt.2023.102642.

[2] G. Damioli, V. Van Roy, and D. Vertesy, “The impact of artificial intelligence on labor productivity,” Eurasian Bus. Rev., vol. 11, no. 1, pp. 1–25, 2021, doi: 10.1007/s40821-020-00172-8.

[3] D. Rizki, S. Pratama, T. A. Munandar, and K. Fadhilla, “Multinomial Naive Bayes Algorithm for Indonesian language Sentiment Classification Related to Jakarta International Stadium ( JIS ),” vol. 2, no. 1, pp. 12–22, 2024.

[4] A. Gerliandeva, Y. H. Chrisnanto, and H. Ashaury, “Optimasi Klasifikasi Sentimen pada Komentar Online menggunakan Multinomial Naïve Bayes dan Ekstraksi Fitur TF-IDF serta N-grams Optimization of Sentiment Classification on Online Comments using Multinomial Naïve Bayes and TF-IDF Feature Extraction and N-grams,” no. X, pp. 259–272, 2024, doi: 10.56873/jpkm.v9i2.5585.

[5] M. Iqbal and E. Budianto, “Model Predictive Analysis of Performance in Training and Course Institutions Using Naive Bayes and K-Means Clustering,” pp. 2703–2708, 2025.

[6] H. Mustakim and S. Priyanta, “Aspect-Based Sentiment Analysis of KAI Access Reviews Using NBC and SVM,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 16, no. 2, p. 113, 2022, doi: 10.22146/ijccs.68903.

[7] K. T. Aprilia, I. P. Sitorus, M. R. Ridha, and M. S. Novelan, “Comparison of Random Forest and Naïve Bayes Classifier Methods for Monkeypox Classification,” vol. 3, no. 1, pp. 58–67, 2026.

[8] S. M. Sadid, J. C. Young, and A. Rusli, “Spam Filtering on User Feedback via Text Classification using Multinomial Naïve Bayes and TF-IDF,” vol. 13, no. 2, pp. 108–113, 2021.

[9] S. Darma, A. Jihad, A. Fayed, S. M. P. Pardede, and M. H. Aqsha, “Predictive Analysis of Flood Risk Factors Based on a Machine Learning Approach : Comparative Study of SVM and XGBoost Algorithms,” vol. 3, no. 1, pp. 24–33, 2026.

[10] H. Afrizal, Z. Sitorus, and M. S. Novelan, “Fault Detection And Recovery System On 20 Kv Distribution Network Using Real-Time Analysis With Support Vector Machine Algorithm,” vol. 18, 2026.

[11] Z. S. Muhammad Ridho Pradana, Rio Septian Hardinata, “ANALISA ALGORITMA SUPPORT VECTOR MACHINE PADA DATA BUNGA IRIS,” vol. 30, no. April, pp. 477–487, 2022.

[12] M. S. Novelan and M. Iqbal, “Comparative Analysis of the Performance of K-Nearest Neighbor ( K-NN ) and Naive Bayes Algorithms on User Satisfaction Levels of the Tokopedia Application conduct a comparative performance evaluation of,” 2025.

[13] A. Fatma and P. Indah, “Analisis Sentimen Komentar YouTube MV K-Pop Menggunakan Naïve Bayes dan SVM : Studi Kasus Jung Jaehyun ‘ Horizon ,’” vol. 15, no. 2, pp. 383–395, 2025.

[14] A. Kurniawan and A. P. Widyassari, “Komparasi Naïve Bayes dan Support Vector Machine dalam Klasifikasi Sentimen Pelantikan Menteri Purbaya Melalui YouTube,” vol. 5, pp. 762–767, 2026.

[15] T. D. Permana, “PERBANDINGAN PERFORMA ALGORITMA NAIVE BAYES DAN TERHADAP INDUSTRI ESPORTS DI INDONESIA,” vol. 2, no. 6, pp. 1391–1399, 2025.