<![CDATA[Isu pertambangan kerap memicu dilema antara eksploitasi ekonomi dan pelestarian ekologi, yang memunculkan polarisasi opini publik secara masif di media sosial. Kumpulan opini publik yang berupa data tidak terstruktur ini berpotensi menjadi acuan mitigasi konflik jika dianalisis dengan tepat, namun metode analisis manual terbukti tidak efisien dan rentan terhadap bias. Penelitian ini bertujuan untuk mengimplementasikan algoritma CatBoost berbasis Text Features guna mengklasifikasikan sentimen publik terhadap isu pertambangan ke dalam kelas positif, negatif, dan netral. Data penelitian bersumber dari komentar TikTok dan YouTube yang diekstraksi menggunakan metode web scraping, menghasilkan 2.049 data bersih. Pemrosesan dilakukan dengan memanfaatkan fitur Native Text Handling pada arsitektur CatBoost, sehingga teks diproses secara internal berbasis probabilitas tanpa memerlukan konversi matriks vektor eksternal yang membebani komputasi . Data dibagi menggunakan teknik stratified random sampling dengan rasio 80:20, yang terdiri dari 1.639 data latih dan 410 data uji. Hasil evaluasi model menggunakan Confusion Matrix dan optimasi hyperparameter Optuna menunjukkan tingkat akurasi keseluruhan sebesar 77% (0,7659) dan nilai rata-rata F1-Score Macro sebesar 0,77. Secara spesifik, kelas Netral mencapai tingkat kepekaan (Recall) tertinggi sebesar 79%, sedangkan kelas Negatif mencatatkan tingkat kehati-hatian (Precision) tertinggi sebesar 81%. Model klasifikasi berbasis CatBoost terbukti tangguh, efisien, dan seimbang dalam memetakan polaritas opini publik secara otomatis sebagai landasan deteksi dini mitigasi konflik sosial-lingkungan.]]>
Copyrights © 2026
