<![CDATA[Kebijakan kenaikan Pajak Pertambahan Nilai (PPN) sebesar 12% di Indonesia telah memicu beragam reaksi masyarakat, terutama di media sosial seperti Twitter. Permasalahan dalam penelitian ini terletak pada pentingnya memahami persepsi publik terhadap kebijakan tersebut secara otomatis dan akurat, yang menjadi tantangan tersendiri dalam pengolahan data teks. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja tiga algoritma klasifikasi machine learning populer, yaitu Logistic Regression, Naive Bayes, dan Support Vector Machine (SVM), dalam menganalisis sentimen publik dari data tweet terkait kebijakan kenaikan PPN. Proses analisis melibatkan tahapan preprocessing, transformasi teks menggunakan TF-IDF, serta evaluasi menggunakan metrik akurasi dan f1-score. Hasil penelitian menunjukkan bahwa algoritma SVM memberikan performa terbaik dengan akurasi sebesar 82,24%, diikuti oleh Logistic Regression (81,15%) dan Naive Bayes (74,63%). Temuan ini menunjukkan bahwa SVM lebih efektif dalam membedakan sentimen positif, negatif, dan netral pada teks media sosial, serta dapat dijadikan algoritma yang direkomendasikan untuk tugas analisis sentimen serupa di masa mendatang.]]>
Copyrights © 2025
