Analisis Sentimen Opini Publik terhadap Dedi Mulyadi di Twitter Menggunakan Ekstraksi Fitur TF-IDF dan Klasifikasi Naive Bayes

Hafizh Pebrian; Aditya Ali Kusuma; Muhammad Rizky Pribadi

Authors

Hafizh Pebrian Multi Data Palembang University, Palembang
Aditya Ali Kusuma Multi Data Palembang University, Palembang
Muhammad Rizky Pribadi Multi Data Palembang University, Palembang

Abstract

Pertumbuhan pesat media sosial, khususnya Twitter, telah membuka ruang yang luas bagi masyarakat untuk mengekspresikan pandangan mereka secara terbuka terhadap tokoh publik dan isu-isu politik. Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap opini masyarakat mengenai Dedi Mulyadi, seorang tokoh politik di Indonesia, dengan memanfaatkan data yang diperoleh dari Twitter. Metodologi yang digunakan meliputi tahapan pengumpulan data tweet, praproses teks, ekstraksi fitur menggunakan pendekatan Term Frekuensi-Inverse Document Frekuensi (TF-IDF), serta proses klasifikasi sentimen melalui algoritma Naive Bayes. Sentimen yang diklasifikasikan terdiri dari tiga kategori, yaitu positif, negatif, dan netral. Hasil evaluasi menunjukkan bahwa kombinasi antara metode TF-IDF dan Naive Bayes mampu mengidentifikasi sentimen publik secara cukup efektif, dengan akurasi mencapai 68,0%. Temuan ini diharapkan dapat memberikan kontribusi dalam bidang analisis media sosial dan pemetaan opini masyarakat terhadap figur politik.

References

Bahrawi, N. (2019). Sentiment Analysis Using Random Forest Algorithm-Online Social Media Based. Journal of Information Technology and Its Utilization, 2(2), 29. https://doi.org/10.30818/jitu.2.2.2695

Liu, B. (2020). Sentiment Analysis: Mining Opinions, Sentiments, and Emotions, Second Edition. Sentiment Analysis: Mining Opinions, Sentiments, and Emotions, Second Edition, May, 1–432. https://doi.org/10.1017/9781108639286

Buntoro, G. A. (2017). Analisis Sentimen Calon Gubernur DKI Jakarta 2017 Di Twitter. INTEGER: Journal of Information Technology, 2(1). https://doi.org/10.31284/j.integer.2017.v2i1.95

Cerezo, M. (2004). Las nociones de Sachverhalt, Tatsache y Sachlage en el Tractatus de Wittgenstein. Anuario Filosofico, 37(2), 455–479. https://doi.org/10.15581/009.37.29387

Firdaus, A. A., Yudhana, A., Riadi, I., & Mahsun, M. (2024). Prediction of Indonesian Presidential Election Results using Sentiment Analysis with Na�ve Bayes Method. Jurnal Media Informatika Budidarma, 8(1), 41. https://doi.org/10.30865/mib.v8i1.7007

Hermawan, A., Jowensen, I., Junaedi, J., & Edy. (2023). Implementasi Text-Mining untuk Analisis Sentimen pada Twitter dengan Algoritma Support Vector Machine. JST (Jurnal Sains Dan Teknologi), 12(1), 129–137. https://doi.org/10.23887/jstundiksha.v12i1.52358

Kasanah, A. N., Muladi, M., & Pujianto, U. (2019). Penerapan Teknik SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Objektivitas Berita Online Menggunakan Algoritma KNN. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 3(2), 196–201. https://doi.org/10.29207/resti.v3i2.945

McCallum, A., & Nigam, K. (1998). A Comparison of Event Models for Naive Bayes Text Classification. AAAI/ICML-98 Workshop on Learning for Text Categorization, 41–48. https://doi.org/10.1.1.46.1529

Mustaqim, E. R. N., Pagalay, U., & ... (2024). Prediksi Tingkat Kepercayaan Masyarakat Terhadap Pilpres 2024 Menggunakan Tf-Idf Dan Bow Menggunakan Metode Svm. Mandalika ISSN 2721 …, 515–530. https://www.ojs.cahayamandalika.com/index.php/jcm/article/view/3114%0Ahttps://www.ojs.cahayamandalika.com/index.php/jcm/article/download/3114/2521

Nursidik Dinar, A., Susilo Yuda Irawan, A., & Umaidah, Y. (2023). Analisis Sentimen Pada Pengguna Twitter Terhadap Program Kampus Merdeka Menggunakan Naïve Bayes. JATI (Jurnal Mahasiswa Teknik Informatika), 7(1), 755–760. https://doi.org/10.36040/jati.v7i1.6552

Pang, B., & Lee, L. (1999). Professional development for cooperative learning: issues and approaches. Choice Reviews Online, 36(08), 36-4623-36–4623. https://doi.org/10.5860/choice.36-4623

Ramadhan, T. D., Wahiddin, D., & Awal, E. E. (2023). Klasifikasi Sentimen Terhadap Pinjaman Online (Pinjol) Menggunakan Algoritma Naive Bayes. Scientific Student Journal for Information, Technology and Science, IV(1), 82–87. www.tripadvisor.com

Robertson, S. (2004). Understanding inverse document frequency: On theoretical arguments for IDF. Journal of Documentation, 60(5), 503–520. https://doi.org/10.1108/00220410410560582

Sahami, M., David, D., Horvitz, E., & Building, G. (1998). Junk E-Mail t P ( X = x ). Science.

Salton, G., & Buckley, C. (1987). Salton, G. and Buckley, C., 1988. Term-weighting approaches in automatic text retrieval._7896.pdf. In National Foundation.

Saputro, P. H., Aristin, M., & Tyas, Dy. L. (2017). Klasifikasi Lagu Daerah Indonesia Berdasarkan Lirik Menggunakan Metode Tfidf Dan Naïve Bayes. Jurnal Teknologi Informatika Dan Terapan, 4(1), 45–50.

Silalahi, N., & Guidio Leonarde Ginting. (2023). Rekomendasi Berita Berkaitan dengan Menerapkan Algoritma Text Mining dan TF-IDF. Bulletin of Computer Science Research, 3(4), 276–282. https://doi.org/10.47065/bulletincsr.v3i4.266

Susanto, A., Maula, M. A., Mulyono, I. U. W., & Sarker, M. K. (2021). Sentiment Analysis on Indonesia Twitter Data Using Naïve Bayes and K-Means Method. Journal of Applied Intelligent System, 6(1), 40–45. https://doi.org/10.33633/jais.v6i1.4465

Tri Putra, K., Amin Hariyadi, M., & Crysdian, C. (2023). Perbandingan Feature Extraction Tf-Idf Dan Bow Untuk Analisis Sentimen Berbasis Svm. Jurnal Cahaya MAndalika, 1449.

Wang, R. Q., Ouedraogo, F. R., & Pathapati, S. S. (2019). Preprocessing. Computational Fluid Dynamics: Applications in Water, Wastewater and Stormwater Treatment, 3(3), 53–56. https://doi.org/10.1061/9780784415313.ch06

Wati, R., Ernawati, S., & Rachmi, H. (2023). Pembobotan TF-IDF Menggunakan Naïve Bayes pada Sentimen Masyarakat Mengenai Isu Kenaikan BIPIH. Jurnal Manajemen Informatika (JAMIKA), 13(1), 84–93. https://doi.org/10.34010/jamika.v13i1.9424