<![CDATA[Abstrak. Eskalasi konflik geopolitik di Selat Hormuz memicu lonjakan opini publik di media sosial X yang rentan terhadap bias jika dianalisis secara manual. Penelitian ini bertujuan mengidentifikasi kecenderungan sentimen publik secara otomatis menggunakan kerangka kerja Cross-Industry Standard Process for Data Mining (CRISP-DM). Sebanyak 3.000 cuitan diekstraksi dan melewati tahapan text preprocessing, menyisakan 2.581 dokumen teks bersih. Transformasi teks dilakukan menggunakan pembobotan Term Frequency-Inverse Document Frequency (TF-IDF) dengan ekstraksi fitur N-Gram. Pemodelan diklasifikasikan menggunakan algoritma Multinomial Naive Bayes (MNB) yang dioptimasi melalui Hyperparameter Tuning (GridSearchCV) dan diseimbangkan menggunakan Synthetic Minority Over-sampling Technique (SMOTE). Evaluasi performa model klasifikasi berhasil mencapai tingkat akurasi sebesar 80,66%. Uji validitas sampel terhadap label otomatis menghasilkan nilai Cohen’s Kappa 0,4308 yang mengindikasikan tingkat kesepakatan sedang. Temuan ini menunjukkan bahwa model yang dibangun mampu mengekstraksi pola sentimen masyarakat secara terukur sebagai referensi berbasis data bagi pengamat kebijakan internasional.]]>
Copyrights © 2026
