Algorithm Advantages Disadvantages Reference

 Naive 1. Hanya membutuhkan 1. Tidak berlaku (Wenando,Hayami and

Bayes jumlah data pelatihan jika probabilitas Anggrawan,2020),
(Training Data) yang kondisionalnya
kecil untuk menentukan adalah nol, apabila (Sudiantoro et al., 2018)
estimasi parameter yang nol maka
diperlukan dalam probabilitas prediksi
proses akan bernilai nol
pengklasifikasian(Wena juga.
ndo, Hayami and
Anggrawan, 2020).
2. Sangat efektif untuk
digunakan sebagai
proses klasifikasi tweet
yang
dibutuhkan dalam
sistem analisis
sentiment (Sudiantoro
et al., 2018).
 Long 1. Memiliki kinerjanya 1. Mempunyai (Setiawan et al., 2020)
Short baik untuk analisis masalah vanishing
Term pendapat untuk gradient(Setiawan
Memory melakukan klasifikasi et al., 2020).
(LSTM) otomatis(Setiawan et 2. Tidak dapat
al., 2020). mengingat
2. Mempunyai akurasi informasi urutan
tertinggi untuk analisis secara
pendapat(Setiawan et keseluruhan(Setiaw
al., 2020). an et al., 2020).
3. Memiliki
kemampuannya untuk
mendapatkan informasi
dari data berdasarkan
urutan(Setiawan et al.,
2020).
4. Dapat menyimpan
informasi dari
kalimat-kalimat
sebelumnya(Setiawan
et al., 2020).
 Support 1. Memiliki performa 1. Memiliki waktu (Ramdhani, 2019),
Vector cukup baik(Ramdhani, tempuh terlama
Machine 2019). dalam melakukan (Prajarini et al., 2016),
(SVM) 2. Dapat proses
mengklasifikasikan data oversampling(Verdi (Verdikha, Adji and
linier maupun data non kha, Adji and Permanasari, 2018).
liner(Prajarini et al., Permanasari, 2018)
2016).