<![CDATA[Dinamika diskursus publik pada platform YouTube terhadap institusi penegak hukum memicu beragam polarisasi opini, khususnya mengenai wacana isu reshuffle Kapolri. Penelitian ini bertujuan untuk menganalisis kecenderungan sentimen publik serta menguji dan membandingkan kinerja enam model machine learning dan satu model deep learning guna menemukan model klasifikasi yang paling handal dalam isu reshuffle Polri. Data dihimpun dari komentar video YouTube berbasis kata kunci terkait, kemudian diproses melalui serangkaian pra-pemrosesan teks dan dibobotkan menggunakan metode pembobotan frekuensi kata. Pelabelan data dilakukan secara otomatis menggunakan kamus InSet Lexicon sentimen bahasa Indonesia, menghasilkan dataset yang didominasi oleh sentimen negatif sebesar 73,17% dan sentimen positif sebesar 26,83%. Dataset berlabel tersebut dibagi ke dalam data latih dan data uji dengan rasio 80:20 untuk menguji model Regresi Logistik, Support Vector Machine, K-Nearest Neighbors, Multinomial Naive Bayes, Random Forest, Decision Tree, dan Multilayer Perceptron. Hasil evaluasi pengujian menunjukkan bahwa model Multinomial Naive Bayes memberikan performa paling optimal dengan tingkat akurasi tertinggi mencapai 82,5% dan nilai F1-score sebesar 80,4%, disusul oleh arsitektur Multilayer Perceptron dengan akurasi 80,9% dan F1-score 80,0%. Sementara itu, model K-Nearest Neighbors mencatatkan kinerja terendah dengan akurasi 74,7%. Kesimpulan dari penelitian ini menegaskan bahwa pendekatan probabilistik Multinomial Naive Bayes merupakan metode yang paling efektif dan stabil untuk mengklasifikasikan data teks opini publik yang tidak seimbang. Temuan ini memberikan implikasi penting bagi pengambil kebijakan dan institusi kepolisian dalam memetakan persepsi publik secara cepat sebagai landasan evaluasi reformasi struktural penegakan hukum.]]>
Copyrights © 2026
