ANALISIS SENTIMEN AKSI SERUAN BOIKOT PRODUK TERAFILIASI ISRAEL DI TWITTER MENGGUNAKAN ALGORITMA NAÏVE BAYES, K-NEAREST NEIGHBORS, DECISION TREE

ANALISIS SENTIMEN AKSI SERUAN BOIKOT PRODUK TERAFILIASI ISRAEL DI TWITTER MENGGUNAKAN ALGORITMA NAÏVE BAYES, K-NEAREST NEIGHBORS, DECISION TREE

• By Rifky Chandra Oktavian;
• Skripsi
• 11
• 1-77

Konflik antara Palestina dan Israel telah berlangsung sejak tahun 1948 dan menjadi salah satu konflik paling kompleks dan berkepanjangan di dunia. Berbagai negara memiliki sikap yang berbeda terhadap konflik ini, termasuk Indonesia yang secara tegas mengutuk serangan Israel dan mendukung kemerdekaan Palestina. Salah satu langkah konkret yang diambil adalah melalui Fatwa MUI No 83 Tahun 2023, yang menghimbau umat Islam untuk menghindari produk yang terafiliasi dengan Israel. Seruan ini mendapat berbagai tanggapan di media sosial Twitter, mulai dari dukungan hingga kritik.

Penelitian ini bertujuan untuk menganalisis sentimen masyarakat Indonesia di Twitter terhadap seruan boikot produk Israel dan mengevaluasi kinerja tiga algoritma machine learning: Naïve Bayes, K-Nearest Neighbors, dan Decision Tree dalam mengklasifikasikan sentimen tersebut. Metode penelitian menggunakan pendekatan kuantitatif dengan data tweet yang dikumpulkan melalui teknik crawling menggunakan alat Tweet-harvest. Data diolah melalui pra-pemrosesan dan dianalisis menggunakan ketiga algoritma yang dievaluasi berdasarkan akurasi, presisi, recall, dan F1-score.

Hasil penelitian menunjukkan bahwa algoritma Decision Tree memiliki kinerja terbaik dengan akurasi 78,26%, diikuti oleh Naïve Bayes dengan akurasi 69,57%, dan K-Nearest Neighbors dengan akurasi 41,52%. Selain itu, analisis menunjukkan bahwa mayoritas masyarakat Indonesia di Twitter mendukung seruan boikot produk Israel, dengan 367 tweet positif dibandingkan dengan 196 tweet netral dan 48 tweet negatif.

Penelitian ini mengonfirmasi hipotesis bahwa terdapat perbedaan signifikan dalam kinerja ketiga algoritma dan bahwa mayoritas masyarakat Indonesia mendukung aksi boikot tersebut. Studi ini memberikan wawasan penting tentang opini publik di media sosial terkait isu politis dan kemanusiaan serta memberikan evaluasi komparatif dari algoritma machine learning dalam analisis sentimen. Saran untuk penelitian berikutnya adalah mengembangkan metode yang lebih canggih dan mempertimbangkan lebih banyak variabel untuk meningkatkan akurasi dan reliabilitas analisis sentimen.

Kata Kunci: Analisis Sentimen, Boikot Produk Israel, Algoritma Machine Learning, Twitter, Palestina-Israel

• Katakunci
• URL http://
• Penerbit ,

REFERENSI

Ahuja, S., & Dubey, G. (2017). Clustering and Sentiment Analysis on Twitter Data.

Annisa Batu Bara, E., Amelia Nasution, K., Zahara Ginting, R., & Studi Ilmu Perpustakaan, P. (n.d.). Penelitian tentang Twitter.

Arsi, P., & Waluyo, R. (2021). ANALISIS SENTIMEN WACANA PEMINDAHAN IBU KOTA INDONESIA MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM). 8(1), 147–156. https://doi.org/10.25126/jtiik.202183944

Cahyanti, D., Rahmayani, A., & Ainy Husniar, S. (2020). Indonesian Journal of Data and Science Analisis performa metode Knn pada Dataset pasien pengidap Kanker Payudara. 1(2), 39–43.

Fikri, M. I., Sabrila, T. S., Azhar, Y., & Malang, U. M. (n.d.). Perbandingan Metode Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter.

I Ketut Swarjana, S. K. M. , M. P. H. , Dr. P. (2022). POPULASI-SAMPEL, TEKNIK SAMPLING & BIAS DALAM PENELITIAN (E. Risanto, Ed.). ANDI.

Mas Pintoko, B., & Muslim, K. (n.d.). Analisis Sentimen Jasa Transportasi Online pada Twitter Menggunakan Metode Naïve Bayes Classifier.

Nasution, H. (n.d.). INSTRUMEN PENELITIAN DAN URGENSINYA DALAM PENELITIAN KUANTITATIF.

Natasuwarna Jurusan Sistem Informasi, A. P., & Pontianak, S. (2020). Seleksi Fitur Support Vector Machine pada Analisis Sentimen Keberlanjutan Pembelajaran Daring Support Vector Machine Feature Selection on Online Learning Sustainability Sentiment Analysis (Vol. 19, Issue 4).

Roihan, A., Abas Sunarya, P., & Rafika, A. S. (2019). IJCIT (Indonesian Journal on Computer and Information Technology) Pemanfaatan Machine Learning dalam Berbagai Bidang: Review paper. In IJCIT (Indonesian Journal on Computer and Information Technology) (Vol. 5, Issue 1).

Romadoni, F., Umaidah, Y., & Sari, B. N. (2020). Text Mining Untuk Analisis Sentimen Pelanggan Terhadap Layanan Uang Elektronik Menggunakan Algoritma Support Vector Machine. Jurnal Sisfokom (Sistem Informasi Dan Komputer), 9(2), 247–253. https://doi.org/10.32736/sisfokom.v9i2.903

Siringoringo, R. (n.d.). Text Mining dan Klasterisasi Sentimen Pada Ulasan Produk Toko Online.

Wandani, A. (2021). Sentimen Analisis Pengguna Twitter pada Event Flash Sale Menggunakan Algoritma K-NN, Random Forest, dan Naive Bayes. In Jurnal Sains Komputer & Informatika (J-SAKTI (Vol. 5, Issue 2).

Yerzi, F. S., & Sibaroni, Y. (n.d.). ANALISIS SENTIMEN TERHADAP KEBIJAKAN PEMERINTAH DALAM MENANGANI COVID-19 DENGAN PENDEKATAN LEXICON BASED.