Perbandingan Kinerja Algoritma Support Vector Machine (SVM), Random Forest, dan Naive Bayes dalam Klasifikasi Berita

Muhamad Iqbal Fatikhussabil, Prof. Dr. Suprapto, M.I.Kom.

2026 | Skripsi | ILMU KOMPUTER

Penelitian ini bertujuan untuk membandingkan kinerja algoritma Support Vector Machine (SVM), Random Forest, dan Naive Bayes dalam klasifikasi berita olahraga berbahasa Indonesia. Dataset diperoleh melalui proses web scraping dari Detik.com dan diklasifikasikan ke dalam lima kategori. Tahapan penelitian meliputi preprocessing teks, ekstraksi fitur menggunakan TF-IDF, penyeimbangan data dengan SMOTE, serta pelatihan dan evaluasi model.

Hasil evaluasi menunjukkan bahwa algoritma SVM memiliki performa terbaik dengan akurasi sebesar 98%, presisi 99%, recall 96%, dan F1-score 97%. Naive Bayes menunjukkan performa yang kompetitif dengan akurasi 97,6%, dan recall tinggi sebesar 98%, namun memiliki presisi yang lebih rendah. Sementara itu, Random Forest memperoleh akurasi sebesar 96,6%, dan cenderung mengalami overfitting dibandingkan dua algoritma lainnya. berdasarkan analisis confusion matrix, SVM unggul secara keseluruhan karena performanya yang sangat tinggi pada kelas dominan dan metrik evaluasi yang seimbang. selain itu, SVM juga menunjukkan kemampuan generalisasi yang baik dengan selisih akurasi data latih dan data uji yang kecil. Dengan demikian, dapat disimpulkan bahwa Support Vector Machine merupakan algoritma yang paling optimal untuk klasifikasi berita pada penelitian ini, dengan keseimbangan performa yang baik di seluruh metrik evaluasi.

This study aims to compare the performance of Support Vector Machine (SVM), Random Forest, and Naive Bayes algorithms in classifying Indonesian sports news. The dataset was collected through web scraping from Detik.com and categorized into five classes. The research process includes text preprocessing, feature extraction using TF-IDF, data balancing with SMOTE, and model training and evaluation.

The evaluation results show that the SVM algorithm achieves the best performance with an accuracy of 98%, precision of 99%, recall of 96%, and F1-score of 97%. Naive Bayes demonstrates competitive performance with an accuracy of 97.6% and a high recall of 98%, although it has lower precision. Meanwhile, Random Forest achieves an accuracy of 96.6% and tends to exhibit overfitting compared to the other algorithms. Based on confusion matrix analysis, SVM excelled overall due to its strong performance in the dominant class and balanced evaluation metrics. Additionally, SVM shows good generalization capability with a small gap between training and testing accuracy. In conclusion, Support Vector Machine is the most optimal algorithm for sports news classification in this study, offering the best balance across all evaluation metrics.

Kata Kunci : Berita, Klasifikasi, Machine Learning, Naive Bayes, Random Forest, Support Vector Machine