Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi
Arif Kurniawan
Universitas Islam Negeri Sultan Syarif Kasim Riau
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
KLASIFIKASI SENTIMEN MASYARAKAT TERHADAP KASUS TUNTUTAN 17+8 MENGGUNAKAN NAÏVE BAYES CLASSIFIER Arif Kurniawan; Muhammad Fikry; Novi Yanti; Surya Agustian
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 16, No 1 (2026): Juni
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v16i1.4947

Abstract

Perkembangan media sosial telah mendorong munculnya berbagai opini masyarakat terhadap isu-isu publik, termasuk kasus Tuntutan 17+8 yang menjadi perhatian luas di Indonesia. Analisis sentimen menjadi pendekatan yang penting untuk mengidentifikasi kecenderungan opini masyarakat secara sistematis. Namun, data teks pada media sosial umumnya bersifat tidak terstruktur dan mengandung berbagai noise sehingga memerlukan tahapan preprocessing yang tepat sebelum dilakukan klasifikasi. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap kasus Tuntutan 17+8 menggunakan metode Naïve Bayes Classifier serta mengevaluasi pengaruh tahapan preprocessing terhadap performa model melalui pendekatan ablation study. Data penelitian berupa komentar TikTok yang diproses melalui tahapan preprocessing meliputi case folding, normalisasi, stopword removal, dan stemming. Selanjutnya, fitur teks diekstraksi menggunakan TF-IDF dan diklasifikasikan menggunakan algoritma Multinomial Naïve Bayes. Hasil penelitian menunjukkan bahwa setiap kombinasi preprocessing memberikan pengaruh yang berbeda terhadap performa model. Pada dataset tambahan sebanyak 8.370 komentar, performa terbaik diperoleh pada kombinasi case folding dan normalisasi dengan akurasi 89,87% dan F1-score 91,89%. Sementara itu, pada dataset utama sebanyak 1.525 komentar, performa terbaik diperoleh pada kombinasi normalisasi dan stopword removal dengan akurasi 81,20% dan F1-score 80,31%. Hasil evaluasi menggunakan confusion matrix menunjukkan bahwa model memiliki kemampuan klasifikasi yang baik, terutama pada kelas sentimen positif. Penelitian ini membuktikan bahwa pemilihan tahapan preprocessing yang tepat berperan penting dalam meningkatkan performa klasifikasi sentimen menggunakan Naïve Bayes Classifier.
Co-Authors Muhammad Fikry Novi Yanti Surya Agustian