Model Klasifikasi Naive Bayes untuk Pemetaan Persepsi Publik Secara Real-Time pada Media Sosial: Studi Kasus RUU TNI 2025

Decode: Jurnal Pendidikan Teknologi Informasi
Vol. 5 No. 2: JULI 2025

Pengesahan Revisi Undang-Undang TNI 2025 memicu respons polarisasi di media sosial X (Twitter), terutama terkait kekhawatiran kebangkitan doktrin dwifungsi ABRI era Orde Baru. Penelitian ini bertujuan menganalisis sentimen publik, mengidentifikasi kecenderungan opini (dukungan/penolakan), dan mengevaluasi kinerja model klasifikasi. Data diperoleh melalui crawling 531 cuitan menggunakan kata kunci strategis ("dwifungsi ABRI", "demokrasi", "supremasi sipil"), diproses dengan preprocessing (cleaning, case folding, tokenization, stopword removal, stemming) dan pelabelan manual. Fitur diekstraksi menggunakan pembobotan TF-IDF, lalu diklasifikasikan dengan Naïve Bayes melalui lima skema pembagian data latih-uji (90%:10% hingga 50%:50%). Hasil menunjukkan dominasi sentimen negatif (81%/434 cuitan) dibanding positif (19%/97 cuitan), dengan model terbaik (skema 90%:10%) mencapai akurasi 85,19% dan presisi 100%, namun recall sangat rendah (4,35%) dan F1-score 8,33%. Word cloud mengungkap kata kunci negatif seperti "tolak", "DPR", dan "Dwifungsi ABRI" yang merefleksikan trauma historis. Simpulan penelitian mengindikasikan penolakan publik terhadap RUU TNI 2025, dengan kelemahan kritis pada deteksi sentimen positif akibat class imbalance dan keterbatasan Naïve Bayes menangkap konteks linguistik kompleks. Rekomendasi mencakup teknik oversampling (SMOTE) dan algoritma berbasis konteks (LSTM) untuk optimasi model.