<![CDATA[Metode Naïve Bayes digunakan sebagai algoritma utama untuk mengklasifikasikan komentar ke dalam kategori sentimen positif, negatif, dan . Maka dilakukan dalam beberapa tahapan, antara lain pengumpulan data melalui web scraping, pra-pemrosesan data meliputi pembersihan, normalisasi, dan penghapusan stopword, serta transformasi data menggunakan metode TF-IDF (Term Frequency-Inverse Document Frequency). Penelitian menunjukkan bahwa 420 komentar yang dianalisis, sentimen positif mendominasi dengan persentase sebesar 52%, diikuti oleh sentimen negatif sebesar 32%, dan sentimen sebesar 16%. Evaluasi model menggunakan Confusion Matrix menghasilkan tingkat akurasi sebesar 82%, yang menunjukkan bahwa algoritma Naïve Bayes Classifier efektif untuk analisis sentimen pada dataset ini. Berdasarkan hasil ini, penelitian memberikan gambaran tentang pandangan masyarakat terhadap calon bupati yang berpartisipasi dalam debat terbuka, serta memberikan wawasan penting bagi pemangku kepentingan untuk memahami dinamika opini publik dan merumuskan strategi komunikasi politik yang lebih tepat sasaran. Proses ini melibatkan pengukuran metrik evaluasi seperti Accuracy, Precision, Recall, dan F1-Score. Accuracy mencapai 75%, menunjukkan kemampuan model mengenali sentimen komentar dengan baik. Sementara itu, Precision sebesar 84% menunjukkan ketepatan model dalam memprediksi sentimen tertentu. Recall tercatat sebesar 82%, menandakan kemampuan model dalam menangkap sentimen yang sebenarnya ada. Selanjutnya, F1-Score menunjukkan keseimbangan antara Precision dan Recall dengan nilai sebesar 80%, yang menggambarkan perhasforma model cukup stabil meskipun terdapat distribusi data yang tidak merata.]]>
Copyrights © 2025
