Analisis Sentimen Pindah Ibu Kota Negara (IKN) Baru pada Twitter Menggunakan Algoritma Naive Bayes dan Support Vector Machine (SVM)

Amril Mutoi Siregar

doi:10.30998/faktorexacta.v16i3.16703

Analisis Sentimen Pindah Ibu Kota Negara (IKN) Baru pada Twitter Menggunakan Algoritma Naive Bayes dan Support Vector Machine (SVM)

Amril Mutoi Siregar^(1*)

(1) Universitas Buana Perjuangan Karawang
(*) Corresponding Author

Abstract

Pemindahan Ibu Kota Negara (IKN) Indonesia merupakan salah satu topik yang sedang menjadi sorotan bahkan trending topik di Twitter, sehingga menimbulkan pro kontra bagi masyarakat. Topik tersebut sudah menjadi sumber perdebatan bagi pengguna Twitter. Untuk mengetahui para pengguna twitter dalam mengemukakan pendapatnya dapat dilakukan dengan cara analisis sentimen, dimana cara tersebut memisahkan opini berdasarkan positif dan negatif. Pada analisis sentimen, metode yang digunakan biasanya menggunakan Naïve Bayes dan Support Vector Machine (SVM). Dengan dilakukannya analisa sentimen pada pemindahan IKN Indonesia dengan menggunakan dua metode algoritma yaitu Naïve Bayes dan SVM, maka permasalahan yang menjadi kontroversi dapat diketahui, sehingga dapat menjadi bahan evaluasi untuk kepentingan lainnya. Selain itu juga dengan penggunaan dua metode algoritma tersebut diharapkan dapat diketahui metode algoritma mana yang dapat menunjukkan tingkat akurasi yang tepat. Berlandaskan uraian tersebut, maka penelitian kali ini perlu memberikan kontribusi baru dalam mengalisis sentimen IKN Indonesia dengan menggunakan dua metode yang berbeda, sehingga penelitian berbeda dari penelitian-penelitian terdahulu. Penelitian ini bertujuan untuk menganalisis dan mengetahui sentimen masyarakat Indonesia terhadap pemindahan IKN melalui cuitan pada aplikasi Twitter. Untuk melakukan analisis sentimen tersebut, peneliti menggunakan dataset dari Twitter guna mengetahui perbandingan keakurasian diantara dua metode yang digunakan yaitu Naïve Bayes untuk mengkategorikan cuitan kedalam 2 kategori yaitu cuitan positif dan negatif, kemudian dibandingkan dengan metode SVM. Penelitian dilaksanakan sebagai pendukung informasi yang akurat kepada masyarakat terhadap Ibu Kota Negara. Metode penelitian yang digunakan yaitu klasifikasi Naïve Bayes dan klasifikasi SVM dengan dukungan tools Rapidminer. Hasil analisis sentimen dengan algoritma Naïve Bayes menghasilkan akurasi 86.94% memiliki nilai presisi rata-rata 96.24%, dan nilai recall 86.66%. Sedangkan hasil analisis dengan algoritma SVM menghasilkan nilai akurasi sejumlah 90.81%. Hasil analisis sentimen penelitian ini memiliki nilai presisi rata-rata sebesar 90.12%, dan nilai recall sebesar 99.12%.

Full Text:

PDF (Indonesian)

References

Afrizal, S., Irmanda, H. N., Falih, N., & Isnainiyah, I. N. (2019). Implementasi Metode Naïve Bayes untuk Analisis Sentimen Warga Jakarta Terhadap Kehadiran Mass Rapid Transit. J. Inform, 4221, 157-168.

Alvina Felicia Watratan, Arwini Puspita. B, & Dikwan Moeis. (2020). Implementasi Algoritma Naive Bayes Untuk Memprediksi Tingkat Penyebaran Covid-19 Di Indonesia. Journal of Applied Computer Science and Technology, 1(1), 7–14. https://doi.org/10.52158/jacost.v1i1.9.

Antinasari, P., Perdana, R. S., & Fauzi, M. A. (2017). Analisis Sentimen Tentang Opini Film Pada Dokumen Twitter Berbahasa Indonesia Menggunakan Naive Bayes Dengan Perbaikan Kata Tidak Baku. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 1(12), 1733–1741.

Arsi, P., & Waluyo, R. (2021). Analisis Sentimen Wacana Pemindahan Ibu Kota Indonesia Menggunakan Algoritma Support Vector Machine (SVM). Jurnal Teknologi Informasi Dan Ilmu Komputer, 8(1), 147.

Bahasyim, S. R. K., Widowati, S., & Husen, J. H. (2020). Otomasi Penelusuran Kebutuhan ke Kode Program menggunakan TF-IDF. Jurnal Tugas Akhir Fakultas Informatika, 8(2), 3272–3281

Bhardwaj, P., & Khosla, P. (2017). Review of Text Mining Techniques. IITM Journal of Management and IT, 8(1), 27–31.

Felicia, & Loisa, R. (2018). Peran Buzzer Politik dalam Aktivitas Kampanye di Media Sosial Twitter. Koneksi, 2(2), 352–359.

Kusmira, M. (2019). Analisis Sentimen Registrasi Ulang Kartu SIM pada Twitter Menggunakan Algoritma SVM dan K-NN. INTI Nusa Mandiri, 14(1), 105– 110.

Lukmana, D. T., Subanti, S., & Susanti, Y. (2019). Analisis Sentimen Terhadap Calon Presiden 2019 Dengan Support Vector Machine Di Twitter. Seminar Nasional Penelitian Pendidikan Matematika (SNP2M) 2019 UMT, 2002, 154–160.

Mahardhika, Y. S., & Zuliarso, E. (2018). Analisis Sentimen Terhadap Pemerintahan Joko Widodo Pada Media Sosial Twitter Menggunakan Algoritma Naives Bayes Classifier. Prosiding SINTAK 2018, 2(2018), 409– 413.

Naraswati, N. P. G., Nooraeni, R., Rosmilda, D. C., Desinta, D., Khairi, F., & Damaiyanti, R. (2021). Analisis Sentimen Publik dari Twitter Tentang Kebijakan Penanganan Covid-19 di Indonesia dengan Naive Bayes Classification. Sistemasi: Jurnal Sistem Informasi, 10(1), 222-238.

Que, V. K. S., Iriani, A., & Purnomo, H. D. (2020). Analisis Sentimen Transportasi Online Menggunakan Support Vector Machine Berbasis Particle Swarm Optimization. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi, 9(2), 162–170.

Sabrila, T. S., Sari, V. R., & Minarno, A. E. (2021). Analisis Sentimen Pada Tweet Tentang Penanganan Covid-19 Menggunakan Word Embedding Pada Algoritma Support Vector Machine Dan K-Nearest Neighbor. Fountain of Informatics Journal, 6(2), 69-75.

Sipayung, A. D., Fauziah, & Nurhayati. (2020). Sistem Aplikasi Penilaian Jawaban Essay Test Calon Karyawan PT Siloam Hospitals TB Simatupang Menggunakan Algoritma Text Mining TF-IDF Berbasis Web. Jurnal Media Informatika Budidarma, 4(4), 872–878.

Syarifuddin, M. (2020). Analisis Sentimen Opini Publik Mengenai Covid-19 Pada Twitter Menggunakan Metode Naïve Bayes Dan Knn. Inti Nusa Mandiri, 15(1), 23–28.

Tuhuteru, H. (2020). Analisis Sentimen Masyarakat Terhadap Pembatasan Sosial Berksala Besar Menggunakan Algoritma Support Vector Machine. Journal Information System Development (ISD), 5(2).

Wahyuni, R. T., Prastiyanto, D., & Supraptono, D. E. (2017). Penerapan Algoritma Cosine Similarity dan Pembobotan TF-IDF pada Sistem Klasifikasi Dokumen Skripsi. Jurnal Teknik Elektro, 9(1), 18–23.

Zakia, A. S., Indriati, & Marji. (2020). Klasifikasi Jenis Kelamin Pengguna Twitter dengan menggunakan Metode BM25 dan K-Nearest Neighbor (KNN). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 4(10), 3331–3337

DOI: http://dx.doi.org/10.30998/faktorexacta.v16i3.16703