<![CDATA[Penelitian ini membandingkan kinerja algoritma pembelajaran mesin, yaitu Decision Tree dan Naive Bayes, dalam menganalisis sentimen masyarakat terhadap pejabat Pertamina setelah kasus "Pertamax Oplosan". Analisis sentimen merupakan alat penting untuk memahami opini publik dan manajemen krisis reputasi. Kasus Pertamax Oplosan memicu kontroversi publik yang luas, dan analisis sentimen terhadap tanggapan pejabat Pertamina dapat memberikan wawasan mengenai efektivitas strategi komunikasi krisis perusahaan.Algoritma Decision Tree menawarkan model berbasis pohon keputusan yang intuitif dan mudah diinterpretasi, meskipun rentan terhadap overfitting. Sebaliknya, Naive Bayes, dengan pendekatan probabilistiknya, dikenal efisien secara komputasi, terutama pada dataset besar. Penelitian ini bertujuan untuk mengukur kinerja kedua algoritma dalam mengklasifikasikan sentimen (positif, negatif, atau netral) dari data teks yang dikumpulkan dari media sosial. Data yang digunakan terbatas pada data teks di Twitter dengan kata kunci "Pertamax Oplosan" dan difokuskan pada sentimen terhadap pejabat Pertamina, bukan perusahaan secara keseluruhan. Data mentah sebanyak 3928 komentar tweet berhasil dikumpulkan melalui API Twitter. Metodologi penelitian ini mencakup beberapa tahapan, yaitu pengambilan data (crawling), preprocessing data, pelabelan pola sentimen, ekstraksi fitur, pembagian dataset, klasifikasi, dan evaluasi model. Data dibagi menjadi data latih (training) dan data uji (testing) dengan kombinasi 80:20. Hasil evaluasi akan menggunakan matriks kebingungan (confusion matrix) untuk mengukur akurasi, presisi, recall, F1-score, dan ROC Analysis. Hasil penelitian ini diharapkan dapat memberikan rekomendasi algoritma yang paling sesuai untuk analisis sentimen serupa dan menjadi panduan praktis bagi perusahaan dalam mengelola krisis reputasi.]]>
Copyrights © 2026
