Analisis dan Klasifikasi Sentimen Menggunakan Metode SVM, Naive Bayes, dan Random Forest (Studi Kasus: RUU Pilkada)

Abstract

Analisis sentimen adalah metode untuk mengidentifikasi dan mengklasifikasikan opini publik terhadap suatu topik berdasarkan teks yang diungkapkan di media sosial atau platform digital lainnya. Sentimen yang diekspresikan dapat dikategorikan menjadi positif, negatif, atau netral. Proses ini memanfaatkan teknik machine learning untuk memahami persepsi masyarakat secara otomatis, yang dapat digunakan sebagai dasar pengambilan keputusan dalam bidang politik, bisnis, dan kebijakan publik. Penelitian ini bertujuan untuk menganalisis dan mengklasifikasikan sentimen masyarakat terhadap Revisi UndangUndang Pemilihan Kepala Daerah (RUU Pilkada) di tiga platform media sosial, yaitu Twitter, TikTok, dan YouTube. Penelitian ini juga membandingkan kinerja tiga algoritma machine learning, yaitu Support Vector Machine (SVM), Naïve Bayes, dan Random Forest, serta menerapkan optimasi data menggunakan SMOTE dan PCA untuk meningkatkan kualitas model klasifikasi. Data yang digunakan berasal dari hasil crawling komentar atau unggahan terkait RUU Pilkada selama periode Agustus hingga Oktober 2024, dengan jumlah data awal sebanyak 465 dari Twitter, 1169 dari TikTok, dan 1011 dari YouTube. Setelah melalui proses pelabelan manual, data yang digunakan untuk pelatihan model adalah 165 data dari Twitter, 261 data dari YouTube, dan 394 data dari TikTok. Tahapan penelitian meliputi preprocessing data, splitting data, optimasi data menggunakan SMOTE dan PCA, implementasi model dengan SVM, Naïve Bayes, dan Random Forest, serta evaluasi performa model berdasarkan metrik seperti akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Random Forest dan Support Vector Machine (SVM) memberikan performa yang lebih baik dibandingkan Naïve Bayes. Pada data Twitter dan YouTube, Random Forest dan SVM mencapai akurasi 100% pada rasio split 10:90, pada rasio split 30:70, akurasi tetap tinggi, yaitu sekitar 97–99%. Pada data TikTok, Random Forest memberikan akurasi tertinggi hingga 89%, sedangkan SVM mencapai 88–89% dan Naïve Baye hanya 83–85%. Selain itu, terjadi perubahan jelas dalam sentimen publik dari Agustus hingga Oktober, di mana sentimen negatif yang awalnya mendominasi mulai berubah menjadi lebih positif, terutama pada Oktober.