ANALISIS SENTIMEN PUBLIK TERHADAP REVISI UNDANG-UNDANG TENTARA NASIONAL INDONESIA DI TWITTER MENGGUNAKAN NAIVE BAYES DAN RANDOM FOREST
DOI:
https://doi.org/10.52436/1.jpti.1044Kata Kunci:
Analisis Sentimen, Media Sosial X, Naive Bayes, Random Forest, RUU TNI, Sentimen PublikAbstrak
Media sosial X (sebelumnya Twitter) menjadi ruang diskusi intens terkait rencana Revisi Undang-Undang Tentara Nasional Indonesia (RUU TNI), yang memunculkan berbagai opini publik. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap RUU TNI dengan mengelompokkan opini pengguna ke dalam kategori positif dan negatif. Data sebanyak 5.646 unggahan dikumpulkan melalui teknik crawling berbasis kata kunci, lalu diproses melalui tahapan pembersihan, tokenisasi, stopword removal, dan stemming. Fitur diekstraksi menggunakan pendekatan lexicon-based Bahasa Indonesia dan TF-IDF, serta penanganan ketidakseimbangan data dilakukan menggunakan class weight. Dua algoritma machine learning, Naive Bayes dan Random Forest, digunakan untuk membandingkan performa klasifikasi. Hasil menunjukkan bahwa Random Forest memberikan akurasi tertinggi sebesar 84,51%, dengan f1-score 91% pada kelas negatif. Naive Bayes mencatat akurasi 83,63%, dengan f1-score 90% untuk kelas negatif. Kedua model mengalami kesulitan dalam mendeteksi sentimen positif, namun Random Forest terbukti lebih andal secara keseluruhan. Temuan menunjukkan dominasi sentimen negatif, mencerminkan kekhawatiran masyarakat terhadap implikasi revisi undang-undang. Penelitian ini memberikan kontribusi akademik dalam pemanfaatan analisis sentimen untuk memahami persepsi publik terhadap isu kebijakan nasional secara cepat dan terukur.
Unduhan
Referensi
D. A. Wulandari, R. Rohmat Saedudin, and R. Andreswari, “Analisis Sentimen Media Sosial Twitter Terhadap Reaksi Masyarakat Pada Ruu Cipta Kerja Menggunakan Metode Klasifikasi Algoritma Naive Bayes Analysis of Twitter Social Media Sentiment on the Public’S Reaction To the Drafts of Job Creation Law Using the Classification Method Naive Bayes Algorithm,” e-Proceeding Eng., vol. 8, no. 5, pp. 9007–9016, 2021.
T. N. Wijaya, R. Indriati, and M. N. Muzaki, “Analisis Sentimen Opini Publik Tentang Undang-Undang Cipta Kerja Pada Twitter,” Jambura J. Electr. Electron. Eng., vol. 3, no. 2, pp. 78–83, 2021, doi: 10.37905/jjeee.v3i2.10885.
K. Nugroho, F. N. Hasan, P. Korespondensi, : Firman, N. Hasan, and R. Artikel, “Analisis Sentimen Masyarakat Mengenai RUU Perampasan Aset Di Twitter Menggunakan Metode Naïve Bayes Analysis of Public Sentiment Regarding RUU Perampasan Aset on Twitter Using Naïve Bayes Method,” SMATIKA STIKI Inform. J., vol. 13, no. 2, p. 13, 2023.
E. Fitri, “Sentiment Analysis of the Ruangguru Application Using Naive Bayes, Random Forest and Support Vector Machine Algorithms,” J. Transform., vol. 18, no. 1, p. 71, 2020.
C. Mario, R. R. Suryono, U. T. Indonesia, and B. Lampung, “PUBLIC SENTIMENT ANALYSIS ON DIRTY VOTE MOVIE ON YOUTUBE USING RANDOM FOREST AND NAÏVE BAYES ANALISIS SENTIMEN PUBLIK PADA FILM DIRTY VOTE DI BAYES,” vol. 10, no. 1, pp. 111–122, 2025.
S. Fachlevi and A. A. Unde, “Analisis Sentimen Publik pada Tagar # KawalPutusanMK di Media Sosial X,” vol. 5, no. 10, pp. 4232–4241, 2024.
G. Darmawan, S. Alam, and M. I. Sulistyo, “Analisis Sentimen Berdasarkan Ulasan Pengguna Aplikasi Mypertamina Pada Google Playstore Menggunakan Metode Naïve Bayes,” STORAGE – J. Ilm. Tek. dan Ilmu Komput., vol. 2, no. 3, pp. 100–108, 2023.
M. M. Mala Olhang, S. Achmadi, and F. . A. Wibisono, “Analisis Sentimen Pengguna Twitter Terhadap Covid-19 Di Indonesia Menggunakan Metode Naive Bayes Classifier (Nbc),” JATI (Jurnal Mhs. Tek. Inform., vol. 4, no. 2, pp. 214–221, 2020, doi: 10.36040/jati.v4i2.2695.
O. P. Zusrotun, A. C. Murti, and R. Fiati, “Analisis Sentimen Terhadap Belajar Online pada Media Sosial Twitter Menggunakan Algoritma Naive Bayes,” J. Nas. Pendidik. Tek. Inform., vol. 11, no. 3, pp. 310–319, 2022, doi: 10.23887/janapati.v11i3.49160.
R. I. Permatasari, M. A. Fauzi, P. P. Adikara, E. Dewi, and L. Sari, “Analisis Sentimen Film pada Twitter Berbahasa Indonesia Menggunakan Ensemble Features dan Naïve Bayes,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 11, pp. 5921–5927, 2018, [Online]. Available: http://j-ptiik.ub.ac.id
A. Prasatya and N. Hendrastuty, “Analisis Sentimen?: Perbandingan Performa Algoritma Naive Bayes , Support Vector Machine , Random Forest , dan K-Nearest Neighbor Dalam Pemecatan Shin Tae Yong pada Media X,” vol. 6, no. 4, 2025, doi: 10.47065/bits.v6i4.6987.
R. M. Awangga and N. H. Khonsa’, “Analisis Performa Algoritma Random Forest dan Naive Bayes Multinomial pada Dataset Ulasan Obat dan Ulasan Film,” InComTech J. Telekomun. dan Komput., vol. 12, no. 1, p. 60, 2022, doi: 10.22441/incomtech.v12i1.14770.
I. N. Husada and H. Toba, “Pengaruh Metode Penyeimbangan Kelas Terhadap Tingkat Akurasi Analisis Sentimen pada Tweets Berbahasa Indonesia,” J. Tek. Inform. dan Sist. Inf., vol. 6, no. 2, pp. 400–413, 2020, doi: 10.28932/jutisi.v6i2.2743.
Y. Asri, W. N. Suliyanti, D. Kuswardani, and M. Fajri, “Pelabelan Otomatis Lexicon Vader dan Klasifikasi Naive Bayes dalam menganalisis sentimen data ulasan PLN Mobile,” Petir, vol. 15, no. 2, pp. 264–275, 2022, doi: 10.33322/petir.v15i2.1733.
D. N. Agustia, R. R. Suryono, U. T. Indonesia, L. Ratu, and K. B. Lampung, “COMPARISON OF NAÏVE BAYES , RANDOM FOREST , AND LOGISTIC REGRESSION ALGORITHMS FOR SENTIMENT ANALYSIS ONLINE GAMBLING KOMPARASI ALGORITMA NAÏVE BAYES , RANDOM FOREST , DAN LOGISTIC REGRESION UNTUK ANALISIS,” vol. 10, no. 1, pp. 284–295, 2025.
J. S. Teknologi and A. Sentimen, “Lexicon-Based Approach Pada Analisis Sentimen Ulasan Airbnb Menggunakan Vader Sentiment Lexicon-Based Approach to Sentiment Analysis of Airbnb Reviews Using Vader Sentiment,” vol. 5, no. 4, pp. 558–566, 2024.
A. Setiawan and R. R. Suryono, “Analisis Sentimen Ibu Kota Nusantara menggunakan Algoritma Support Vector Machine dan Naïve Bayes,” Edumatic J. Pendidik. Inform., vol. 8, no. 1, pp. 183–192, 2024, doi: 10.29408/edumatic.v8i1.25667.
U. Suriani, “Penerapan Data Mining untuk Memprediksi Tingkat Kelulusan Mahasiswa Menggunakan Algoritma Decision Tree C4.5,” Journalcisa, vol. 3, no. 2, pp. 55–66, 2023, [Online]. Available: http://jesik.web.id/index.php/jesik/article/view/91
Muhammad Fernanda Naufal Fathoni, Eva Yulia Puspaningrum, and Andreas Nugroho Sihananto, “Perbandingan Performa Labeling Lexicon InSet dan VADER pada Analisa Sentimen Rohingya di Aplikasi X dengan SVM,” Modem J. Inform. dan Sains Teknol., vol. 2, no. 3, pp. 62–76, 2024, doi: 10.62951/modem.v2i3.112.
F. A. Artanto, F. Teknik, U. Muhammadiyah, and P. Pekalongan, “Implementasi Algoritma Random Forest dan Model Bag of Words Dalam Analisis Sentimen Mengenai E-Materai,” vol. 4, no. 2, pp. 139–145, 2024, doi: 10.54259/satesi.v4i2.3240.
B. F. S. Supriyanto and S. Rosalin, “Analisis Sentimen Program Merdeka Belajar dengan Text Analysis Wordcloud & Word Frequency,” J. Minfo Polgan, vol. 12, no. 1, pp. 25–32, 2023, doi: 10.33395/jmp.v12i1.12312.
