Analisis dan Perbandingan Metode Support Vector Machine (SVM) dan Naive Bayes Classifier (NBC) untuk Menentukan Genre Game di Twitter

Perkembangan game belakangan ini semakin berkembang jumlah pemainnya, perkembangan ini sejajar dengan kualitas game yang dibuat semakin menarik, mulai dari segi alur cerita, karakteristik dan teknik bermainnya. Data yang digunakan adalah data dari twitter, karena twitter merupakan sosial media yang paling banyak digunakan khususnya di bidang game. Sebab itu twitter sangat populer untuk mencari data data yang bertujuan untuk sebuah penelitian. Untuk menentukan genre game ini menggunakan 4 metode reprocessing dan membandingkan 2 metode klasifikasi yaitu metode support vector machine (SVM) dengan optimasi sequential training dan naive bayes classifier (NBC). Metode naive bayes classifier (NBC) adalah salah satu metode machine learning yang mudah di pelajari serta sederhana dalam perhitungannya. Sedangkan metode support vector machine (SVM) dengan optimasi sequential training adalah salah satu metode yang cukup rumit perhitungannya. Maka penelitian ini akan memberikan kesimpulan menarik terhadap akurasi dari kedua metode tersebut. Hasil akurasi di dapat dari kedua metode pada 1200 data. Akurasi naive bayes classifier (NBC) terbaik adalah 97.50% pada skenario data 90:10. Akurasi support vector machine (SVM) terbaik adalah 97.92% pada skenario data 90:10. Kata kunci : support vector machine (SVM), naive bayes classifier (NBC), optimasi sequential training, twitter, akurasi