IRPIIRPI

MALCOM: Indonesian Journal of Machine Learning and Computer ScienceMALCOM: Indonesian Journal of Machine Learning and Computer Science

Analisis sentimen merupakan salah satu pendekatan dalam memahami persepsi publik terhadap isu-isu sosial dan kebijakan pemerintah melalui data teks. Penelitian ini mengkaji opini masyarakat Indonesia terhadap pernyataan Presiden Prabowo Subianto mengenai penyitaan aset koruptor yang berbunyi “Apakah adil anaknya menderita?. Data dikumpulkan dari Twitter sebanyak 1.561 tweet dalam rentang waktu 9 hingga 25 April 2025 dengan menggunakan kata kunci yang relevan. Proses analisis dilakukan melalui tahap prapemrosesan, pembobotan TF-IDF, dan klasifikasi menggunakan algoritma Naïve Bayes dan Support Vector Machine (SVM). Evaluasi performa model dilakukan menggunakan confusion matrix serta empat metrik evaluasi, yaitu akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa SVM unggul dengan akurasi 70,51% dan F1-score 0,69, sedangkan Naïve Bayes memperoleh akurasi 66,34% dan F1-score 0,66. Sentimen terbanyak berasal dari kelas positif, mengindikasikan mayoritas publik mendukung penyitaan aset koruptor meskipun berdampak pada keluarganya. Penelitian ini memperlihatkan efektivitas pendekatan machine learning dalam memetakan opini publik terhadap isu kebijakan kontroversial di media sosial.

Penelitian ini membuktikan Algoritma SVM menunjukkan performa yang lebih optimal dibandingkan Naïve Bayes dalam melakukan klasifikasi sentimen terhadap komentar Twitter terkait isu penyitaan aset koruptor, dengan akurasi sebesar 70,51% serta F1-score 0,69.Keluaran ini mendukung hipotesis bahwa pemilihan algoritma berpengaruh signifikan terhadap akurasi klasifikasi teks.Naïve Bayes tetap efektif sebagai model dasar dengan keunggulan dalam efisiensi, namun kurang optimal pada kelas minoritas.Kekurangan dalam penelitian ini meliputi keterbatasan topik, periode pengambilan data yang relatif singkat, dan belum digunakannya pendekatan berbasis deep learning.Potensi pengembangan ke depan mencakup perluasan isu, memperpanjang periode pengambilan data, penggunaan model seperti BERT serta LSTM.

Penelitian lanjutan dapat mengembangkan model klasifikasi dengan pendekatan deep learning seperti BERT atau LSTM untuk meningkatkan akurasi analisis sentimen pada isu kontroversial. Selain itu, perlu dilakukan studi yang melibatkan data dari platform media sosial lainnya seperti Instagram atau Facebook untuk memperluas basis analisis. Peneliti juga bisa memperpanjang periode pengumpulan data agar mencakup perubahan dinamika opini publik seiring waktu. Dengan pendekatan ini, hasil penelitian akan lebih relevan dalam membantu kebijakan pemerintah yang bersifat sensitif secara sosial dan moral.

  1. A Novel Approach: Tokenization Framework based on Sentence Structure in Indonesian Language. novel approach... thesai.org/Publications/ViewPaper?Volume=14&Issue=2&Code=IJACSA&SerialNo=64A Novel Approach Tokenization Framework based on Sentence Structure in Indonesian Language novel approach thesai Publications ViewPaper Volume 14 Issue 2 Code IJACSA SerialNo 64
  2. Analisis Sentimen Masyarakat Terhadap Perilaku Korupsi Pejabat Pemerintah Berdasarkan Tweet Menggunakan... doi.org/10.30865/mib.v7i4.6648Analisis Sentimen Masyarakat Terhadap Perilaku Korupsi Pejabat Pemerintah Berdasarkan Tweet Menggunakan doi 10 30865 mib v7i4 6648
  3. Analisis Penerapan Normalisasi Data Dengan Menggunakan Z-Score Pada Kinerja Algoritma K-NN | JURNAL RISET... doi.org/10.30865/jurikom.v9i4.4526Analisis Penerapan Normalisasi Data Dengan Menggunakan Z Score Pada Kinerja Algoritma K NN JURNAL RISET doi 10 30865 jurikom v9i4 4526
  4. Pembelajaran Text Preprocessing berbasis Simulator Untuk Mata Kuliah Information Retrieval | Jurnal Transformatika.... journals.usm.ac.id/index.php/transformatika/article/view/1705Pembelajaran Text Preprocessing berbasis Simulator Untuk Mata Kuliah Information Retrieval Jurnal Transformatika journals usm ac index php transformatika article view 1705
Read online
File size456.74 KB
Pages9
DMCAReport

Related /

ads-block-test