Analisis Sentimen Pindah Ibu Kota Negara (IKN) Baru pada Twitter Menggunakan Algoritma Naive Bayes dan Support Vector Machine (SVM)

Siregar, Amril Mutoi (Universitas Buana Perjuangan Karawang)

Faktor Exacta
Vol 16, No 3 (2023)

Pemindahan Ibu Kota Negara (IKN) Indonesia merupakan salah satu topik yang sedang menjadi sorotan bahkan trending topik di Twitter, sehingga menimbulkan pro kontra bagi masyarakat. Topik tersebut sudah menjadi sumber perdebatan bagi pengguna Twitter. Untuk mengetahui para pengguna twitter dalam mengemukakan pendapatnya dapat dilakukan dengan cara analisis sentimen, dimana cara tersebut memisahkan opini berdasarkan positif dan negatif. Pada analisis sentimen, metode yang digunakan biasanya menggunakan Naïve Bayes dan Support Vector Machine (SVM). Dengan dilakukannya analisa sentimen pada pemindahan IKN Indonesia dengan menggunakan dua metode algoritma yaitu Naïve Bayes dan SVM, maka permasalahan yang menjadi kontroversi dapat diketahui, sehingga dapat menjadi bahan evaluasi untuk kepentingan lainnya. Selain itu juga dengan penggunaan dua metode algoritma tersebut diharapkan dapat diketahui metode algoritma mana yang dapat menunjukkan tingkat akurasi yang tepat. Berlandaskan uraian tersebut, maka penelitian kali ini perlu memberikan kontribusi baru dalam mengalisis sentimen IKN Indonesia dengan menggunakan dua metode yang berbeda, sehingga penelitian berbeda dari penelitian-penelitian terdahulu. Penelitian ini bertujuan untuk menganalisis dan mengetahui sentimen masyarakat Indonesia terhadap pemindahan IKN melalui cuitan pada aplikasi Twitter. Untuk melakukan analisis sentimen tersebut, peneliti menggunakan dataset dari Twitter guna mengetahui perbandingan keakurasian diantara dua metode yang digunakan yaitu Naïve Bayes untuk mengkategorikan cuitan kedalam 2 kategori yaitu cuitan positif dan negatif, kemudian dibandingkan dengan metode SVM. Penelitian dilaksanakan sebagai pendukung informasi yang akurat kepada masyarakat terhadap Ibu Kota Negara. Metode penelitian yang digunakan yaitu klasifikasi Naïve Bayes dan klasifikasi SVM dengan dukungan tools Rapidminer. Hasil analisis sentimen dengan algoritma Naïve Bayes menghasilkan akurasi 86.94% memiliki nilai presisi rata-rata 96.24%, dan nilai recall 86.66%. Sedangkan hasil analisis dengan algoritma SVM menghasilkan nilai akurasi sejumlah 90.81%. Hasil analisis sentimen penelitian ini memiliki nilai presisi rata-rata sebesar 90.12%, dan nilai recall sebesar 99.12%.