ANALISIS SENTIMEN MASYARAKAT TERHADAP PENERIMA KIPK BERDASARKAN PENGGUNA TWITTER (X) MENGGUNAKAN METODE SVM DAN NAIVE BAYES

Chintya Wijayanti, Universitas Negeri Yogyakarta
Dhoriva Urwatul Wutsqa, Universitas Negeri Yogyakarta

 10.21831/jktm.v12i2.28374

Abstract


Media sosial X (Twitter) menjadi salah satu platform yang banyak digunakan masyarakat untuk menyampaikan opini terhadap berbagai kebijakan pemerintah, termasuk program Kartu Indonesia Pintar (KIP-K). penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap penerima KIP-K menggunakan metode Naïve Bayes dan Support Vector Machine (SVM), serta membandingkan performa kedua metode tersebut. Penelitian menggunakan pendekatan kuantitatif dengan metode text mining dan sentiment analysis. Data diperoleh melalui proses crawling tweet menggunakan kata kunci ”KIPK”, ”KIP-K”, ”KIP-Kuliah”, dan ”KIP Kuliah” pada periode 2023-2025. Tahapan preprocessing meliputi case folding, cleaning, normalisasi kata, tokenizing, filtering (stopwords removal), dan stemming. Selanjutnya dilakukan pembobotan TF-IDF dan klasifikasi menggunakan algoritma Naive Bayes dan SVM. Hasil penelitian menunjukkan bahwa sentimen masyarakat terhadap penerima KIP-K didominasi oleh sentimen negatif. Metode Naive Bayes menghasilkan akurasi sebesar 70,3% dan 69,4% pada pembagian dta 80%:20% dan 700%:30%. Sementara itu, metode SVM menghasilkan akurasi sebesar 73,6% dan 72,3% pada pembagian data yang sama. Berdasarkan hasil tersebut, metode SVM memiliki performa lebih baik dibandingkan Naive Bayes dalam klasifikasi sentimen data tweet terkait penerima KIP-K.

Kata kunci: analisis sentimen; KIP-K; machine learning; Naïve Bayes; Support Vector Machine.


Full Text:

PDF

References


Amelia, I., Sugiyono, S., Sarimole, F. M., & Tundo, T. (2024). Analisis sentimen tanggapan pengguna media sosial X terhadap program beasiswa KIP-Kuliah dengan menggunakan algoritma Support Vector Machine (SVM). Jurnal Indonesia: Manajemen Informatika dan Komunikasi, 5(3), 2994–3003. https://doi.org/10.35870/jimik.v5i3.990

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), 147–156. https://doi.org/10.25126/jtiik.202183944

Burges, C. J. C. (1998). A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery, 2(2), 121–167.

Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. https://doi.org/10.1007/BF00994018

Darwis, D., Siskawati, N., & Abidin, Z. (2021). Penerapan algoritma Naive Bayes untuk analisis sentimen review data Twitter BMKG nasional. Jurnal Tekno Kompak, 15(1), 131–145.

Hemalatha, I., & Govardhan, A. (2012). Preprocessing the informal text for efficient sentiment analysis. International Journal of Emerging Trends & Technology in Computer Science, 1(2).

Herwijayanti, B., Ratnawati, D. E., & Muflikhah, L. (2018). Klasifikasi berita online dengan menggunakan pembobotan TF-IDF dan cosine similarity. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(1), 306–312.

Jannan, M. F. Z., Dwi, Y., & Negara, P. (2024). Analisis sentimen masyarakat terhadap penerima beasiswa Kartu Indonesia Pintar Kuliah dengan metode Support Vector Machine. Jurnal Informatika Terapan dan Sistem Informasi, 4(2), 26–30. https://doi.org/10.32938/jitu.v4i2.7598

Kaplan, A. M., & Haenlein, M. (2010). Users of the world, unite! The challenges and opportunities of social media. Business Horizons, 53(1), 59–68. https://doi.org/10.1016/j.bushor.2009.09.003

Khder, M. A. (2021). Web scraping or web crawling: State of art, techniques, approaches and application. International Journal of Advances in Soft Computing and Its Applications, 13(3). https://doi.org/10.15849/IJASCA.211128.11

Liu, B. (2012). Sentiment analysis and opinion mining. San Rafael, CA: Morgan & Claypool Publishers.

Markoulidakis, I., Rallis, I., Georgoulas, I., Kopsiaftis, G., Doulamis, A., & Doulamis, N. (2021). Multiclass confusion matrix reduction method and its application on net promoter score classification problem. Technologies, 9(4), 81.

Mitchell, T. M. (1997). Machine learning. New York, NY: McGraw-Hill.

Ningsih, W., Alfianda, B., & Wulandari, D. (2024). Comparison of Naive Bayes and SVM algorithms in Twitter sentiment analysis on electric car use in Indonesia. Jurnal RESTI, 8(2), 556–562.

Sokolova, M., & Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information Processing & Management, 45(4), 427–437. https://doi.org/10.1016/j.ipm.2009.03.002

Tala, F. Z. (2003). A study of stemming effects on information retrieval in Bahasa Indonesia (Master’s thesis). University of Amsterdam.

Tharwat, A. (2018). Classification assessment methods. Applied Computing and Informatics, 17(1), 168–192. https://doi.org/10.1016/j.aci.2018.08.003

Wankhade, M., Chandra, A., Rao, S., & Kulkarni, C. (2022). A survey on sentiment analysis methods, applications, and challenges. Artificial Intelligence Review, 55, 5731–5780.

Zhang, H. (2004). The optimality of Naive Bayes. Proceedings of the Seventeenth International Florida Artificial Intelligence Research Society Conference, 562–567.




DOI: https://doi.org/10.21831/jktm.v12i2.28374

Refbacks

  • There are currently no refbacks.


 

Online ISSN (e-ISSN): 3031-1152

Creative Commons LicenseJurnal Kajian dan Terapan Matematika by https://journal.student.uny.ac.id/index.php/jktm/index is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
 
View My Stats