KOMPARASI SENTIMENT ANALYSIS MENGGUNAKAN ALGORITMA LOGISTIC REGRESSION DAN NAÏVE BAYES CLASSIFIER DENGAN TOPIK TANGGAPAN PUBLIK TERHADAP CALON PRESIDEN DALAM PEMILIHAN PRESIDEN 2024 MELALUI PLATFORM “X”

KOMPARASI SENTIMENT ANALYSIS MENGGUNAKAN ALGORITMA LOGISTIC REGRESSION DAN NAÏVE BAYES CLASSIFIER DENGAN TOPIK TANGGAPAN PUBLIK TERHADAP CALON PRESIDEN DALAM PEMILIHAN PRESIDEN 2024 MELALUI PLATFORM “X”

• By Faizal, Afryan; Tumilaar, Gerald;
• S1- Sistem Infomasi
• 3
• 1-32

Penelitian ini membahas komparasi sentiment analysis terhadap para calon presiden (capres) dalam Pemilihan Presiden 2024 di Indonesia menggunakan dua algoritma yaitu Logistic Regression dan Naïve Bayes Classifier. Data yang digunakan dalam analisis ini diambil dari platform media sosial “X”, yang menjadi salah satu sumber utama opini publik di era digital. Tujuan dari penelitian ini adalah untuk menentukan algoritma mana yang lebih efektif dalam mengklasifikasikan sentimen (positif dan negatif) terkait para capres. Proses penelitian meliputi pengumpulan data, pra-pemrosesan teks, pelatihan model, dan evaluasi performa menggunakan metrik seperti akurasi, presisi, recall, dan F1-score. Hasil penelitian yang berhasil kami dapat dan temukan sebagai berikut, algoritma “Logistic Regression”  Capres nomor urut 1 Anies Baswedan mendapatkan akurasi 66%, nomor urut 2 Prabowo Subianto mendapatkan 69%, dan nomor urut 3 Ganjar Pranowo mendapatkan 72%, sedangkan algoritma “Naïve Bayes Classifier” Capres nomor urut 1 Anies Baswedan mendapatkan 64%, nomor urut 2 Prabowo Subianto mendapatkan 67%, dan nomor urut 3 Ganjar Pranowo mendapatkan 73%. Hasil tersebut menunjukkan bahwa Logistic Regression unggul dalam beberapa metrik, sementara Naïve Bayes Classifier menunjukkan kinerja yang lebih baik pada metrik lainnya. Temuan ini memberikan wawasan berharga mengenai pemilihan algoritma yang optimal untuk analisis sentimen dalam konteks politik dan dapat membantu dalam memahami opini publik secara lebih mendalam.

• Katakunci Analisis Sentimen, Logistic Regression, Naïve Bayes Classifier, Klasifikasi Sentimen, Algoritma Pembelajaran Mesin, Pemilihan Presiden 2024, Twitter, X
• URL http://
• Penerbit ,

REFERENSI

Ansori, Y., & Holle, K. F. H. (2022). Perbandingan Metode Machine Learning dalam Analisis Sentimen Twitter. Jurnal Sistem Dan Teknologi Informasi (JustIN), 10(4), 429. https://doi.org/10.26418/justin.v10i4.51784

 

Ardiansyah Sembiring, M., Fitri Larasati Sibuea, M., Sapta, A., Studi Sistem Informasi, P., & Royal, S. (2018). Analisa Kinerja Algoritma C.45 Dalam Memprediksi Hasil Belajar. Journal of Science and Social Research, 1(February), 73–79.

 

Arsi, P., & Waluyo, R. (2021). Analisis Sentimen Wacana Pemindahan Ibu Kota Indonesia Menggunakan Algoritma Support Vector Machine (SVM). Jurnal Teknologi Informasi Dan Ilmu Komputer, 8(1), 147. https://doi.org/10.25126/jtiik.0813944

 

Asnawi, M. H., Firmansyah, I., Novian, R., & Pontoh, R. S. (2021). Comparison of Naïve Bayes, K-NN, and SVM Algorithms in Social Media Sentiment Classification. Seminar Nasional Statistika X, 10(1).

 

Bird, S., Klein, E., & Loper, E. (2009). Natural Language Processing with Python. O’Reilly Media, Inc.

 

Br.Situmorang, E. S. R., Anam, M. K., Rahmaddeni, R., & Ulfah, A. N. (2021). Perbandingan Algoritma Svm Dan Nbc Dalam Analisa Sentimen Pilkada Pada Twitter. CSRID (Computer Science Research and Its Development Journal), 13(3), 169. https://doi.org/10.22303/csrid.13.3.2021.169-179

 

Delvika, B., Abror, N., & Gurning, U. R. (2023). Perbandingan Algoritma NBC dan C4. 5 Dalam Analisa Sentimen Pemilihan Presiden 2024 Pada Twitter: Comparison of the NBC and C4. 5 Algorithms in Sentiment …. SENTIMAS: Seminar Nasional …, 41–48.

 

Dolinay, A. (2023). An introduction to Google Colab. Medium.

 

firdaus, asno. (2023). “Indonesia Presidential Candidate’s Dataset, 2024.” https://www.kaggle.com/datasets/jocelyndumlao/indonesia-presidential-candidates-dataset-2024

 

Harris Charles R.: Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., Wieser, E., Taylor, J., Berg, S., Smith, N. J., Kern, R., Picus, M., & Hoyer, S. (2020). Array programming with {NumPy}. Nature, 585, 357–362.

 

Hidayatullah, A. F. (2016). Pengaruh Stopword Terhadap Performa Klasifikasi Tweet Berbahasa Indonesia. JISKA (Jurnal Informatika Sunan Kalijaga), 1(1), 1–4. https://doi.org/10.14421/jiska.2016.11-01

 

Kurnia, N., Savirani, A., & Press, U. G. M. (2021). BIG DATA UNTUK ILMU SOSIAL: ANTARA METODE RISET DAN REALITAS SOSIAL. UGM PRESS.

 

Kurniawan, D. (2022). Pengenalan Machine Learning dengan Python. Elex Media Komputindo.

 

Mahendra. (2019). Pemanfaatan Gadget Sebagai Media Informasi Guna Meningkatkan Wawasan Di Era Teknologi Informasi. Seminar Hasil Pengabdian Masyarakat 2019, 2(1), 49–54.

 

McCullum, N. (2018). The Ultimate Guide to Recurrent Neural Networks in Python. https://www.freecodecamp.org/news/the-ultimate-guide-to-recurrent-neural-networks-in-python/

 

Najjichah, H., Sukur, A., & Subagyo, H. (2019). Pengaruh Text Preprocessing dan Kombinasinya. Jurnal Teknologi Informasi, 15(1), 1–11.

 

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830.

 

Rahman, S., Sembiring, A., Siregar, D., Khair, H., Gusti Prahmana, I., Puspadini, R., & Zen, M. (2023). Python : Dasar Dan Pemrograman Berorientasi Objek. In Penerbit Tahta Media.

 

RI, J. K. (2011). UNDANG-UNDANG REPUBLIK INDONESIA NOMOR 15 TAHUN 2011 TENTANG PENYELENGGARA PEMILIHAN UMUM. 156(22), 315–322.

 

Rule, A., Birmingham, A., Zuniga, C., Altintas, I., Huang, S. C., Knight, R., Moshiri, N., Nguyen, M. H., Rosenthal, S. B., Pérez, F., & Rose, P. W. (2019). Ten simple rules for writing and sharing computational analyses in Jupyter Notebooks. PLoS Computational Biology, 15(7), 1–8. https://doi.org/10.1371/journal.pcbi.1007007

 

Saadah, M. N., Atmagi, R. W., Rahayu, D. S., & Arifin, A. Z. (2013). Sistem Temu Kembali Dokumen Teks Dengan Pembobotan Tf-Idf Dan Lcs. JUTI: Jurnal Ilmiah Teknologi Informasi, 11(1), 19. https://doi.org/10.12962/j24068535.v11i1.a16

 

Wahyuni, R. T., Prastiyanto, D., & Supraptono, E. (2017). Penerapan Algoritma Cosine Similarity dan Pembobotan TF-IDF pada Sistem Klasifikasi Dokumen Skripsi. Jurnal Teknik Elektro Universitas Negeri Semarang, 9(1), 18–23.

 

Wardhani, E. D., Areka, S. K., Nugroho, A. W., Zakaria, A. R., Prakasa, A. D., & Nooraeni, R. (2020). Sentiment Analysis Using Twitter Data Regarding BPJS Cost Increase and Its Effect on Health Sector Stock Prices. Indonesian Journal of Artificial Intelligence and Data Mining, 3(1), 1. https://doi.org/10.24014/ijaidm.v3i1.8245

 

Yasir, M., & Suraji, R. (2023). Perbandingan Metode Klasifikasi Naive Bayes, Decision, Tree, Random Forest Terhadap Analisis Sentimen Kenaikan Biaya Haji 2023 pada Media Sosial Youtube. Jurnal Cahaya Mandalika (JCM), 3(2), 180–192.