Perbandingan Naïve Bayes dan Support Vector Machine Dalam Analisa Sentimen Tentang Penyitaan Aset Koruptor di Twitter: Comparison of Naïve Bayes and Support Vector Machine in Sentiment Analysis of Confiscation of Corrupt Assets on Twitter

Ananda sholekhah; Muntahanah Muntahanah

doi:10.57152/malcom.v5i3.2068

Authors

Ananda sholekhah Universitas Muhammadiyah Bengkulu
Muntahanah Muntahanah Universitas Muhammadiyah Bengkulu

DOI:

https://doi.org/10.57152/malcom.v5i3.2068

Keywords:

Analisis Sentimen, Koruptor, Naïve Bayes, Penyitaan Aset, Support Vector Machine

Abstract

Analisis sentimen merupakan salah satu pendekatan dalam memahami persepsi publik terhadap isu-isu sosial dan kebijakan pemerintah melalui data teks. Penelitian ini mengkaji opini masyarakat Indonesia terhadap pernyataan Presiden Prabowo Subianto mengenai penyitaan aset koruptor yang berbunyi “Apakah adil anaknya menderita?”. Data dikumpulkan dari Twitter sebanyak 1.561 tweet dalam rentang waktu 9 hingga 25 April 2025 dengan menggunakan kata kunci yang relevan. Proses analisis dilakukan melalui tahap prapemrosesan, pembobotan TF-IDF, dan klasifikasi menggunakan algoritma Naïve Bayes dan Support Vector Machine (SVM). Evaluasi performa model dilakukan menggunakan confusion matrix serta empat metrik evaluasi, yaitu akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa SVM unggul dengan akurasi 70,51% dan F1-score 0,69, sedangkan Naïve Bayes memperoleh akurasi 66,34% dan F1-score 0,66. Sentimen terbanyak berasal dari kelas positif, mengindikasikan mayoritas publik mendukung penyitaan aset koruptor meskipun berdampak pada keluarganya. Penelitian ini memperlihatkan efektivitas pendekatan machine learning dalam memetakan opini publik terhadap isu kebijakan kontroversial di media sosial.

Downloads

Download data is not yet available.

References

S. Lestari dan S. Berliani, “Analisis Sentimen Masyarakat Terhadap Isu Pecat Sri Mulyani Pada Twitter Menggunakan Metode Naive Bayes Dan Support Vector Machine,” Jurnal Sains dan Teknologi, vol. 5, no. 3, pp. 951-960, Februari 2024. DOI: https://doi.org/10.55338/saintek.v5i3.2746

A. Syakir dan F. N. Hasan, “Analisis Sentimen Masyarakat Terhadap Perilaku Korupsi Pejabat Pemerintah Berdasarkan Tweet Menggunakan Naive Bayes Classifier,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 7, no. 4, pp. 1796-1805, Oktober 2023. DOI: https://doi.org/10.30865/mib.v7i4.6648

J. Juliantono dan P. , “Persepsi Publik Terhadap Kepemimpinan Firli Bahuri di KPK: Pendekatan Sentimen Twitter dengan Naive Bayes,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 10, no. 2, pp. 1272-1285, Juni 2025. DOI: https://doi.org/10.29100/jipi.v10i2.6181

R. R. Putri dan N. Cahyono, “Analisis Sentimen Komentar Masyarakat Terhadap Pelayanan Publik Pemerintah DKI Jakarta Dengan Algoritma Support Vector Machine dan Naive Bayes,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8, no. 2, pp. 2363-2371, April 2024. DOI: https://doi.org/10.36040/jati.v8i2.9472

R. T. Aldisa dan P. Maulana, “Analisis Sentimen Opini Masyarakat Terhadap Vaksinasi Booster COVID 19 Dengan Perbandingan Metode Naive Bayes, Decision Tree dan SVM,” Building of Informatics, Technology and Science (BITS), vol. 4, no. 1, pp. 106-109, Juni 2022. DOI: https://doi.org/10.47065/bits.v4i1.1581

M. S. Ba?arslan dan F. Kayaalp, “ Sentiment Analysis with Machine Learning Methods on Social Media,” ADCAIJ: Advances in Distributed Computing and Artificial Intelligence Journal , vol. 9 , no. 3, pp. 5-15, 2020. DOI: https://doi.org/10.14201/ADCAIJ202093515

I. Kurniawan, A. L. Hananto, S. S. Hilabi, A. Hananto, B. Priyatna dan A. Y. Rahman, “Perbandingan Algoritma Naive Bayes Dan SVM Dalam Sentimen Analisis Marketplace Pada Twitter,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 10, no. 1, pp. 731-740, 2023. DOI: https://doi.org/10.35957/jatisi.v10i1.3582

H. Ma'rifah, A. W. Wibawa dan M. I. Akbar, “Klasifikasi artikel ilmiah dengan berbagai skenario preprocessing,” Sains, Aplikasi, Komputasi dan Teknologi Informasi, vol. 2, no. 2, pp. 70-78, April 2020. DOI: http://dx.doi.org/10.30872/jsakti.v2i2.2681

Herimanto, K. Samosir dan F. Ginting, “A Comparative Analysis of Content-Based Filtering and TF-IDF Approaches for Enhancing Sports Recommendation Systems,” Innovation in Research of Informatics (INNOVATICS), vol. 6, no. 2, pp. 90-97, 2024. DOI: https://doi.org/10.37058/innovatics.v6i2.12404

W. Ningsih, B. Alfianda, R. dan D. Wulandari, “Perbandingan Algoritma SVM dan Naïve Bayes dalam Analisis Sentimen Twitter pada Penggunaan Mobil Listrik di Indonesia,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 2, pp. 556-562, 2 April 2024. DOI: https://doi.org/10.57152/malcom.v4i2.1253

A. Sabrani dan I. G. P. W. W. W, “Metode Multinomial Naïve Bayes untuk Klasifikasi Artikel Online Tentang Gempa di Indonesia,” JTIKA, vol. 2, no. 1, pp. 89-100, Maret 2020. DOI: https://doi.org/10.29303/jtika.v2i1.87

N. Sulistiyowati dan M. Jajuli, “Integrasi Naïve Bayes Dengan Teknik Sampling Smote Untuk Menangani Data Tidak Seimbang,” JURNAL NUANSA INFORMATIKA, vol. 14, no. 1, pp. 34-37, Januari 2020. DOI: https://doi.org/10.25134/nuansa.v14i1.2411

S. Rabbani, D. Safitri, N. Rahmadhani, A. A. F. Sani dan M. K. Anam, “Comparative Evaluation of SVM Kernels for Sentiment Classification in Fuel Price Increase Analysis,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 3, no. 2, pp. 153-160, October 2023. DOI: https://doi.org/10.57152/malcom.v3i2.897

R. dan F. Thalib, “Implementasi Algoritma Naïve Bayes Classifier Dan Confusion Matrix Dalam Analisis Sentimen Terhadap Pelayanan Transportasi Umum Selama Pandemi Covid-19 Pada Media Sosial Twitter,” JURNAL TEKNOLOGI, vol. 8, no. 1, pp. 65-75, 2020. DOI: 10.31479/jtek.v1i8.66

A. P. Joshi dan B. V. Patel, “Data Preprocessing: the Techniques for Preparing Clean and Quality Data for Data Analytics Process,” Oriental Journal of Computer Science and Technology, vol. 13, no. 2-3, pp. 78-81, 2020. DOI : http://dx.doi.org/10.13005/ojcst13.0203.03

L. Hermawan dan M. B. Ismiati, “Pembelajaran Text Preprocessing berbasis Simulator Untuk Mata Kuliah Information Retrieval,” TRANSFORMATIKA, vol. 17, no. 2, pp. 188-199, Januari 2020. DOI: https://doi.org/10.26623/transformatika.v17i2.1705

R. Rinandyaswara, Y. A. Sari dan M. T. Furqon, “Pembentukan Daftar Stopword Menggunakan Term Based Random Sampling Pada Analisis Sentimen Dengan Metode Naïve Bayes” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) , vol. 9, no. 4, pp. 717-724, Agustus 2022. DOI: https://doi.org/10.25126/jtiik.2022934707

J. Petrus, E. S. dan E. , “A Novel Approach: Tokenization Framework based on Sentence Structure in Indonesian Language,” (IJACSA) International Journal of Advanced Computer Science and Applications, vol. 14, no. 2, pp. 541-549, 2023. DOI: 10.14569/IJACSA.2023.0140264

Z. Abidin, A. Junaidi dan W. , “Text Stemming and Lemmatization of Regional Languages in Indonesia: A Systematic Literature Review,” Journal of Information Systems Engineering , vol. 10, no. 2, pp. 217-231, Juni 2024. DOI: https://doi.org/10.20473/jisebi.10.2.217-231

R. G. Whendasmoro dan Joseph, “Analisis Penerapan Normalisasi Data Dengan Menggunakan Z-Score Pada Kinerja Algoritma K-NN,” JURIKOM (Jurnal Riset Komputer), vol. 9, no. 4, pp. 872-876, Agustus 2022. DOI: https://doi.org/10.30865/jurikom.v9i4.4526