Penelitian ini mengImplementasikan Metode Naive Bayes Dan SVM Menggunakan Data Twitter Untuk Menganalisis Sentimen Masyarakat Terhadap Penduduk Rohingya Di Aceh. Metode yang digunakan dalam analisis ini adalah Naive Bayes dan Support Vector Machine (SVM), dua algoritma pembelajaran mesin yang populer dalam klasifikasi teks. Data dikumpulkan melalui Twitter API dengan menyaring tweet yang mengandung kata kunci terkait Rohingya. Setelah data dikumpulkan, dilakukan tahap preprocessing meliputi pembersihan teks, tokenisasi, dan stemming untuk mempersiapkan data sebelum analisis. Selanjutnya, data yang telah diproses diklasifikasikan menjadi tiga kategori sentimen: positif, negatif, dan netral. Hasil penelitian menunjukkan bahwa mayoritas sentimen terhadap penduduk Rohingya cenderung netral. penelitian ini juga membandingkan akurasi antara algoritma Naive Bayes dan Support Vector Machine (SVM) untuk menentukan algoritma yang paling sesuai dalam melakukan klasifikasi sentimen. Evaluasi performa model berguna untuk mengukur seberapa baik model yang digunakan dalam mengklasifikasikan sentimen dari teks menggunakan metrik akurasi, presisi, recall, dan F1-score. Menunjukkan bahwa Support Vector Machine memiliki performa yang lebih baik dibandingkan Naive Bayes dalam menganalisis sentimen terhadap penduduk Rohingya, dengan akurasi 94% Support Vector Machine dan 90% Naïve Bayes dengan jumlah 1078 data. Penelitian ini memberikan wawasan tentang persepsi publik terhadap isu Rohingya di Indonesia serta menunjukkan potensi metode pembelajaran mesin dalam analisis sentimen media sosial.

This research implements the Naive Bayes and SVM methods using Twitter data to analyze public sentiment towards the Rohingya population in Aceh. The methods used in this analysis are Naive Bayes and Support Vector Machine (SVM), two popular machine learning algorithms in text classification. Data was collected through Twitter API by filtering tweets containing keywords related to Rohingya. After the data was collected, a preprocessing stage including text cleaning, tokenization, and stemming was performed to prepare the data before analysis. Next, the processed data was classified into three sentiment categories: positive, negative, and neutral. The results show that the majority of sentiments towards the Rohingya population tend to be neutral. This study also compares the accuracy between the Naive Bayes and Support Vector Machine (SVM) algorithms to determine the most suitable algorithm in performing sentiment classification. Model performance evaluation is useful to measure how well the model used in classifying sentiment from text using accuracy, precision, recall, and F1-score metrics. It shows that Support Vector Machine has a better performance than Naive Bayes in analyzing sentiment towards the Rohingya population, with an accuracy of 94% Support Vector Machine and 90% Naïve Bayes with a total of 1078 data. This research provides insight into public perceptions of the Rohingya issue in Indonesia and demonstrates the potential of machine learning methods in social media sentiment analysis.