Claim Missing Document
Check
Articles

ANALISIS SENTIMEN OPINI MASYARAKAT TERHADAP PILKADA 2024 DI MEDIA SOSIAL TWITTER MENGGUNAKAN ALGORITMA NAÏVE BAYES Hidayat, Taufik; Siddiq, Muhammad Jafar; Jayasri, Sandika; Suhendi, Aldi; Rizky, Robby
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 2 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i2.6280

Abstract

Penelitian ini membahas analisis sentimen opini masyarakat terhadap Pilkada 2024 di media sosial Twitter menggunakan algoritma Naïve Bayes dan pembobotan TF-IDF. Data dikumpulkan melalui proses crawling menggunakan Python, menghasilkan 5.182 tweet yang kemudian diproses melalui tahap preprocessing, termasuk case folding, cleansing, stemming, dan labeling. Setelah preprocessing, 4.041 data digunakan untuk analisis sentimen dengan kategori sentimen Netral, Positif, dan Negatif. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes mampu memberikan akurasi sebesar 77%, dengan F1-score tertinggi pada kategori Netral sebesar 0,85. Tema dominan yang ditemukan melalui pembobotan TF-IDF meliputi keamanan, partisipasi masyarakat, dan keberhasilan Pilkada. Evaluasi menggunakan Confusion Matrix membuktikan bahwa metode Naïve Bayes efektif untuk memahami opini masyarakat, sehingga hasil analisis ini dapat memberikan wawasan berharga bagi pemangku kepentingan dalam meningkatkan strategi komunikasi dan keterlibatan publik
ALGORITMA MACHINE LEARNING RANDOM FOREST DAN DECISION TREE DALAM KLASIFIKASI STATUS GIZI BALITA Hidayat, Taufik; Febriyanti, Zalfa Ridha; Sukisno, Sukisno; Nugroho, Asep Hardiyanto; Rizky, Robby; Hakim, Zaenal
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 11, No 1 (2026)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v11i1.7545

Abstract

Gizi pada balita merupakan sebuah isu strategis baik ditingkat nasional maupun daerah, terutama stunting, wasting, underweight dan overweight masih menjadi isu penting di Indonesia, termasuk di Kabupaten Tangerang. Periode usia 12-59 bulan merupakan masa kritis dalam pertumbuhan dan perkembangan anak, sehingga pemantauan dan intervensi gizi yang tepat sangat diperlukan. Tujuan penelitian ini mengembangkan model klasifikasi dengan machine learning pada gizi balita, serta memberikan kontribusi dalam identifikasi dini balita berisiko gizi buruk atau obesitas. Penelitian ini berfokus pada bagaimana menerapkan algoritma machine learning Random Forest dan Decision Tree untuk klasifikasi status gizi balita, serta bagaimana perbandingan kinerja kedua algoritma tersebut dalam deteksi dini masalah gizi. Dalam model yang telah dibuat, dengan algoritma Random Forest dan Decision Tree diperoleh hasil yang menunjukkan akurasi yang tinggi, masing-masing mencapai 92%. Dengan menggunakan GridSearch untuk menemukan nilai parameter terbaik, akurasi model meningkat menjadi 93% untuk Random Forest dan 94% untuk Decision Tree. Hasil ini menunjukkan potensi kedua algoritma dalam klasifikasi status gizi balita secara akurat.