ANALISIS SENTIMEN MENGGUNAKAN METODE NAIVE BAYES DAN METODE SUPPORT VECTOR MACHINE PADA KASUS PELANTIKAN ARTIS SEBAGAI ANGGOTA ANGGOTA DPR RI TAHUN 2024

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen publik terkait pelantikan artis sebagai anggota DPR tahun 2024 melalui komentar pada berbagai video YouTube terkait. Melalui analisis ini, hasil penelitian diharapkan memberikan wawasan bagi akademisi, pemerintah, dan platform media sosial tentang persepsi publik terhadap keterlibatan figur publik dalam politik, mendukung penelitian lebih lanjut, serta memberikan pertimbangan bagi kebijakan yang relevan dalam memahami pola sentimen masyarakat terhadap isu politik tertentu. Metode yang digunakan adalah metode Naïve Bayes dan Support Vector Machine (SVM), yang terbukti memiliki akurasi tinggi dan hasil yang bervariasi ketika dibandingkan kedua metode dalam mengklasifikasikan komentar menjadi tiga kelas sentimen: positif, netral, dan negatif pada berbagai kasus. Data set awal terdiri dari 6.438 komentar yang telah melalui proses pembersihan, pengolahan,penerjemahan dan pelabelan, yang kemudian digunakan TF-IDF untuk pembobotan kata serta metode SMOTE diterapkan untuk menyeimbangkan data sebelum klasifikasi dengan pembagian 80% data latih dan 20% data uji. Hasil klasifikasi menunjukkan bahwa SVM mencapai akurasi lebih unggul sebesar 91% dibandingkan Naïve Bayes sebesar 80%, terutama dalam mendeteksi sentimen negatif dan netral, sedangkan Naïve Bayes lebih efektif pada sentimen ekstrem (positif dan negatif) tetapi kurang optimal dalam mengidentifikasi sentimen netral.Sehingga perlu perbaikan pada kelas positif dan netral untuk klasifikasi yang jauh lebih optimal. Persepsi masyarakat berdasarkan hasil kedua metode menunjukan kelas negatif cenderung lebih rendah yang memberikan gambaran bahwa mayoritas masyarakat mungkin lebih menerima atau tidak terlalu terpengaruh oleh isu tersebut.

This study aims to examine public sentiment regarding the appointment of celebrities as members of the Indonesian parliament in 2024, analyzing comments on various related YouTube videos. The findings are expected to provide valuable insights for academics, the government, and social media platforms on public views of public figures’ involvement in politics, encourage further research, and inform relevant policy considerations on public sentiment toward political issues. The study uses Naïve Bayes and Support Vector Machine (SVM) methods, both known for their high accuracy and varied results when applied to classify comments into three sentiment categories: positive, neutral, and negative in different contexts. The initial dataset consists of 6,438 comments, which were cleaned, processed, translated, and labeled, followed by the application of TF-IDF for word weighting and the SMOTE technique to balance the data before classification with an 80% training and 20% testing split. The results show that SVM outperforms Naïve Bayes with a 91% accuracy rate compared to 80%, particularly excelling in detecting negative and neutral sentiments. In contrast, Naïve Bayes is more effective for extreme sentiments (positive and negative) but less effective in identifying neutral sentiments. Therefore, further improvements are needed for the positive and neutral sentiment classes to achieve optimal classification. Public perception, based on the results of both methods, indicates that negative sentiment is generally lower, suggesting that most of the public may be more accepting or less impacted by the issue.