Analisis Perbandingan Word2vec dan N-Gram pada Klasifikasi Sentimen Komentar Instagram Terkait Gaji Guru Honorer Menggunakan Support Vector Machine

Penelitian ini bertujuan untuk membandingkan metode ekstraksi fitur Word2Vec dan N-Gram berbasis TF-IDF dalam klasifikasi sentimen komentar Instagram terkait gaji guru honorer menggunakan algoritma Support Vector Machine (SVM). Data penelitian berupa komentar Instagram yang telah melalui tahap preprocessing dan diekstraksi menggunakan Word2Vec Skip-Gram, Continuous Bag of Words (CBOW), TF-IDF Unigram, Bigram, dan Trigram. Untuk mengatasi ketidakseimbangan data digunakan metode Synthetic Minority Over-sampling Technique (SMOTE). Pengujian dilakukan menggunakan kernel Linear, Polynomial, Radial Basis Function (RBF), dan Sigmoid dengan evaluasi 5-Fold Cross Validation. Hasil penelitian menunjukkan bahwa metode TF-IDF Unigram dengan kernel Polynomial memperoleh akurasi tertinggi sebesar 94,87%, diikuti oleh Word2Vec CBOW dengan kernel RBF sebesar 87,04%, TF-IDF Bigram dengan kernel RBF sebesar 86,35%, Word2Vec Skip-Gram dengan kernel Polynomial sebesar 85,78%, dan TF-IDF Trigram dengan kernel RBF sebesar 77,22%. Berdasarkan hasil pengujian, TF-IDF Unigram dengan kernel Polynomial menghasilkan performa klasifikasi terbaik dibandingkan metode ekstraksi fitur dan kernel lainnya. Selain menghasilkan akurasi tertinggi, model tersebut juga memperoleh nilai precision, recall, dan F1-Score masing-masing sebesar 95%.