Komparasi Analisis Sentimen Naïve Bayes Classifier dan Support Vector Machine Terhadap Konflik Hubungan Sipil Militer pada Pengungsi Rohingya untuk Rekomendasi Pengambilan Keputusan Pertahanan

Penelitian ini berfokus pada perbandingan analisis sentimen menggunakan *Naive Bayes Classifier* dan *Support Vector Machine* dalam mengidentifikasi konflik hubungan sipil militer pada pengungsi Rohingya. Tujuannya adalah untuk membantu pimpinan dalam merumuskan kebijakan pertahanan. Penelitian ini menggunakan data teks dari sumber-sumber berita pada Twitter sebanyak 5.018 data yang telah diproses agar menjadi data bersih, kemudian dibagi menjadi data uji sebanyak 1.004 data dan data latih 4.018 data untuk diklasifikasi menggunakan metode *Support Vector Machine* dan *Naïve Bayes*. Penelitian ini menganalisis sentimen dan polaritas opini publik terkait dengan isu-isu yang terjadi dalam situasi tersebut. Hasil analisis sentimen dari kedua metode tersebut kemudian diklasifikasikan menggunakan metode *Support Vector Machine* dan *Naïve Bayes* untuk selanjutnya dibandingkan metode mana yang lebih efektif dalam menangkap dinamika sentimen yang kompleks. Temuan penelitian ini menunjukkan bahwa metode *Support Vector Machine* memiliki akurasi yang lebih tinggi dalam mengidentifikasi sentimen terkait konflik sipil militer pada pengungsi Rohingya dengan nilai akurasi 87,95% dibandingkan dengan *Naive Bayes Classifier* dengan akurasi 85,16%. Hasil analisis berupa kata yang sering muncul pada *word cloud true positive* yaitu "maaf", "manusia", "marah", dan "solidaritas" diserahkan kepada ahli untuk kemudian dirumuskan menjadi kalimat rekomendasi dan dapat digunakan membantu perumusan kebijakan bagi pengambil keputusan pertahanan dalam menangani isu pengungsi Rohingya secara lebih efektif.