Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Advis Ambrosius Sitohang, Yuda
Unknown Affiliation
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
PENERAPAN SUPPORT VECTOR MACHINE UNTUK ANALISIS SENTIMEN TWITTER TERHADAP EFISIENSI ANGGARAN Ananda Hafika, Rizky; Agus Waruwu, Stefen; Advis Ambrosius Sitohang, Yuda; Yazid Noor, Muhammad; Haikal Al Majid, Muhammad; Arnita, Arnita; Ramadhani, Fanny
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.13894

Abstract

Media sosial, khususnya Twitter, menjadi wadah utama bagi masyarakat untuk mengekspresikan opini terhadap kebijakan pemerintah, termasuk efisiensi anggaran. Analisis sentimen berbasis machine learning diperlukan untuk memahami respons publik secara otomatis. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat di Twitter terhadap kebijakan efisiensi anggaran menggunakan metode Support Vector Machine (SVM). Data yang digunakan telah melalui tahap preprocessing, labeling manual, dan untuk memastikan kualitas analisis. Sentimen yang diklasifikasikan terdiri dari tiga kategori: negatif, netral, dan positif. Hasil penelitian menunjukkan bahwa mayoritas sentimen masyarakat terhadap kebijakan ini bersifat negatif, menandakan ketidakpuasan atau ketidaksetujuan. Dalam perbandingan performa model SVM, Kernel Linear menunjukkan akurasi terbaik sebesar 81.46%, sedikit lebih tinggi dibandingkan Kernel RBF yang memperoleh 81.17%. Kernel Linear terbukti lebih stabil dalam mengklasifikasikan sentimen negatif dan netral, sementara Kernel RBF lebih unggul dalam menangani pola data yang kompleks tetapi kurang stabil dalam mengklasifikasikan sentimen positif. Oleh karena itu, model SVM dengan Kernel Linear dipilih sebagai model terbaik dalam penelitian ini. Penelitian ini memberikan wawasan mengenai persepsi publik terhadap kebijakan pemerintah serta menunjukkan efektivitas SVM dalam analisis sentimen media sosial.
EFISIENSI ANGGARAN DALAM WACANA PUBLIK: ANALISIS SENTIMEN PLATFORM X DENGAN NAÏVE BAYES Ananda Hafika, Rizky; Hafiz, Alvin; Agus Waruwu, Stefen; Yazid Noor, Muhammad; Advis Ambrosius Sitohang, Yuda; Saputra, Kana
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.13967

Abstract

Efisiensi anggaran merupakan isu krusial dalam pengelolaan keuangan negara yang sering menjadi sorotan publik, khususnya di media sosial seperti Twitter. Opini masyarakat yang tersebar di platform tersebut mencerminkan tingkat kepercayaan terhadap keterbukaan dan akuntabilitas pemerintah. Namun, data opini yang bersifat tidak terstruktur menimbulkan tantangan dalam analisis sentimen publik secara menyeluruh. Penelitian ini bertujuan untuk mengevaluasi opini masyarakat mengenai efisiensi anggaran menggunakan algoritma Naïve Bayes. Sebanyak 1.610 tweet dikumpulkan dan diproses melalui tahap preprocessing yang meliputi pembersihan data, case folding, tokenisasi, normalisasi, penghapusan stopword, dan stemming. Setelah preprocessing, data diberi label secara manual untuk klasifikasi sentimen. Selanjutnya, dilakukan ekstraksi fitur menggunakan metode TF-IDF dan pembagian data menjadi 80% untuk pelatihan dan 20% untuk pengujian model. Hasil analisis menunjukkan bahwa opini publik cenderung negatif dengan distribusi 58,4% negatif, 23,5% netral, dan 18,1% positif. Model klasifikasi menghasilkan akurasi sebesar 73,29%, dengan nilai F1-score tertinggi pada sentimen negatif (0,82) dan terendah pada sentimen netral (0,06), yang mengindikasikan adanya ketidakseimbangan data. Penelitian ini menyimpulkan bahwa algoritma Naïve Bayes cukup efektif dalam mengidentifikasi sentimen negatif, namun memerlukan perbaikan dalam mendeteksi sentimen netral, antara lain melalui teknik penyeimbangan data dan eksplorasi algoritma lain di masa mendatang.
Co-Authors Agus Waruwu, Stefen Ananda Hafika, Rizky Arnita Arnita Hafiz, Alvin Haikal Al Majid, Muhammad Kana Saputra S Ramadhani, Fanny Yazid Noor, Muhammad