Analisis Sentimen Pengguna Aplikasi X terhadap Layanan Starlink menggunakan Random Forest & Naive Bayes

Putri, Ketut Meilan Kartika
Sunarya, I Made Gede
Mahendra, Gede Surya

Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi
Vol. 15 No. 5 (2026): Oktober 2026

Since the emergence of Starlink as an internet service provider through satellites in the country, different public sentiments towards the firm have been recorded on the X platform, touching on issues related to cost, coverage, and reliability. The purpose of this research is to identify the orientation of public sentiment as well as the efficiency of the two classifiers Gaussian Naïve Bayes and Random Forest. The process of data analysis began with collecting raw data, followed by data cleaning. Thereafter, labeling of data using an expert-approved dictionary, and translation of the words into numerical vectors using 300-dimensional Word2Vec. The dataset was split in the ratio 80:20 in training and testing phases, where SMOTE was used to handle class imbalance. Results from the performance tests reveal that the accuracy and F1-score of the Random Forest model were 71.21% and 70.45%, respectively, while those of the Gaussian Naïve Bayes classifier were 59.44% and 60.45%, respectively. Keywords: Sentiment Analysis; Starlink; Random Forest; Gaussian Naive Bayes; Pre-Trained Word2Vec Abstrak Sebagai hasil dari ketersediaan Starlink sebagai penyedia layanan internet berbasis satelit di negara ini telah muncul beragam pendapat publik tentang perusahaan tersebut di platform X mengenai aspek seperti harga, cakupan wilayah dan stabilitas jaringan. Penelitian saat ini dilakukan dengan tujuan untuk mengetahui arah sentimen publik dan juga untuk mengevaluasi tingkat efektivitas dari model Gaussian Naive Bayes dan Random Forest. Proses analisis data dilakukan dengan terlebih dahulu mengumpulkan data mentah kemudian membersihkan data tersebut. Selanjutnya data akan diberi label menggunakan kamus bahasa yang telah divalidasi oleh para ahli kemudian kata-kata tersebut diubah menjadi vektor numerik menggunakan algoritma Word2Vec yang telah dilatih sebelumnya dengan dimensi 300. Komposisi data dilakukan dengan rasio 80:20 untuk pelatihan dan pengujian data, dengan penggunaan SMOTE untuk menyelesaikan ketidakseimbangan kelas. Hasil dari uji performa menunjukkan bahwa akurasi dan F1-score untuk model Random Forest adalah 71,21% dan 70,45% sedangkan untuk Gaussian Naive Bayes adalah 59,44% dan 60,45% masing-masing.