Metode SVM merupakan metode machine learning yang bertujuan untuk mencari jarak terbaik untuk memisahkan dua keputusan. Metode SVM bekerja dengan memisahkan anggota dari dua kelas yaitu kelas 1 atau positif dan kelas -1 atau negative. Konsep pada metode ini yaitu dengan dijelaskan secara sederhana sebagai usaha dalam mencari hasil terbaik dari dua kelas tersebut.Â
SVM berguna untuk membentuk klasifikator yang menggunakan suatu pendekatan yang mencakup nilai setiap fitur tidak bergantung pada nilai setiap fitur lain, ketika nilai kelas tetap akan diberikan. SVM dapat digunakan untuk menyelesaikan masalah linier maupun non -- linier.
2.5Evaluasi Accuracy
Evaluasi dilakukan untuk mengetahui performa algoritma dilakukan untuk mengetahui performa algoritma Nave Bayes dalam melakukan klasifikasi analisis sentiment.Â
Untuk menilai kualitas accuracy pada analisis sentiment dapat menggunakan metode Support Vector Machine atau SVM dan Nave Bayes. Dengan mengguanakan algoritma tersebut untuk mengklasifikasikan data positif dan data negative dalam analisis sentiment, kemudian menggunakan metode evaluasi accuracy untuk menilai kualitas klasifikasi.
3.HASIL DAN PEMBAHASAN
Penerapan Analisis Sentimen terkait analisis sentimen yang bertujuan untuk mengetahui persepsi masyarakat terkait aplikasi Adobe Lightroom. Aplikasi Lightroom dengan menggunakan metode klasifikasi Nave Bayes Classifier dan SVM.Â
Metode klasifikasi Nave Bayes Classifier dapat memberikan nilai presentase precision, recall, dan accuracy yang lebih tinggi daripada metode SVM. Namun dari hasil ketepatan pada metode klasifikasi Nave Bayes Classifier sangat tergantung dengan jumlah data latih yang digunakan, dan mendapatkan nilai akurasi sebesar 80%.
Dataset hasil crawling yang berjumlah dilakukan seleksi dan didapatkan dataset sejumlah 1000 yang layak untuk digunakan. Untuk ulasan yang ada pada aplikasi Adobe Lightroom mungkin hingga beribu -- ribu ulasan, namun disini hanya mengambil 1000 dataset untuk di uji. Dataset selanjutnya dibedakan menurut kebutuhan sesuai dengan periode yang telah ditentukan sebelumnya.
TF-IDF
 Tahap TF-IDF dapat dilakukan dengan sebuah program yaitu dengan memberikan pembobotan pada nilai setiap kata yang ditemukan. Kata yang paling besar atau bobot yang paling besar sama dengan kata yang sering muncul pada sebuah data. Pada tahap ini terdapat dataset positif dan dataset negatif.Â