Analisis Sentimen Komentar Intagram Pemindahan Ibu Kota Negara Membandingkan Alogritma Support Vecthor Meachine dan Random Forest
DOI:
https://doi.org/10.65371/metrokom.v2i1.59Kata Kunci:
Analisis Sentimen, Ibu Kota Negara (IKN), Media Sosial, Mesin Vektor Pendukung, Hutan AcakAbstrak
Analisis sentimen media sosial telah menjadi pendekatan penting dalam memahami opini publik terhadap isu-isu strategis, termasuk wacana pemindahan ibu kota negara. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Support Vector Machine (SVM) dan Random Forest (RF) dalam mengklasifikasikan sentimen komentar publik di Instagram. Sebanyak 794 data komentar dikumpulkan menggunakan teknik web scraping dengan Selenium dan BeautifulSoup, kemudian dibagi menjadi 80% data latih dan 20% data uji. Proses klasifikasi dilakukan setelah tahap praproses teks, yang meliputi case folding, tokenizing, filtering, dan stemming. Hasil percobaan menunjukkan bahwa SVM mencapai akurasi 75,0% dengan presisi 0,7200, recall 0,7800, dan F1-score 0,7488. Sementara itu, Random Forest berkinerja lebih baik dengan akurasi 79,4%, presisi 0,7795, recall 0,8200, dan F1-score 0,7992. Evaluasi berdasarkan kelas sentimen menunjukkan bahwa SVM hanya mampu mencapai tingkat ketepatan 75,0% pada kelas positif dan 75,1% pada kelas negatif, sementara Random Forest unggul dengan 79,4% pada kelas positif dan 79,3% pada kelas negatif. Temuan ini menegaskan bahwa Random Forest lebih optimal dan konsisten dibandingkan SVM dalam analisis sentimen berdasarkan komentar media sosial. Studi ini merekomendasikan penggunaan algoritma pembelajaran ensemble seperti Random Forest dalam studi serupa, serta pengembangan lebih lanjut dengan dataset yang lebih besar dan pendekatan pembelajaran mendalam untuk meningkatkan akurasi dan generalisasi model.
Referensi
Akter, M. T., Begum, M., & Mustafa, R. (2021). Bengali Sentiment Analysis of E-commerce Product Reviews using K-Nearest Neighbors. 2021 International Conference on Information and Communication Technology for Sustainable Development (ICICT4SD), 40–44. https://doi.org/10.1109/ICICT4SD50815.2021.9396910
Al Assyam, H. D., & Hasan, F. N. (2023). Analisis sentimen Twitter terhadap perpindahan ibu kota negara ke IKN nusantara menggunakan orange data mining. KLIK: Kajian Ilmiah Informatika Dan Komputer, 4(1), 341–349. https://doi.org/https://doi.org/10.30865/klik.v4i1.957
Aljuaid, H., Iftikhar, R., Ahmad, S., Asif, M., & Tanvir Afzal, M. (2021). Important citation identification using sentiment analysis of in-text citations. Telematics and Informatics, 56, 101492. https://doi.org/https://doi.org/10.1016/j.tele.2020.101492
Bari Antor, M., Jamil, A. H. M. S., Mamtaz, M., Monirujjaman Khan, M., Aljahdali, S., Kaur, M., Singh, P., & Masud, M. (2021). A comparative analysis of machine learning algorithms to predict Alzheimer’s disease. Journal of Healthcare Engineering, 2021(1), 9917919.
Becker, T., Rousseau, A.-J., Geubbelmans, M., Burzykowski, T., & Valkenborg, D. (2023). Decision trees and random forests. American Journal of Orthodontics and Dentofacial Orthopedics, 164(6), 894–897. https://doi.org/10.1016/j.ajodo.2023.09.011
Gibran, M. K., Rifki, M. I., Hasugian, A. H., Siahaan, A. T. A. A., Sahputra, A., & Ong, R. (2024). Sentiment Analysis of Platform X Users on Starlink Using Naive Bayes. Instal: Jurnal Komputer, 16(03), 210–220. https://doi.org/10.54209/jurnalinstall.v16i03.240
Ilhami, A. M., Hadiansyah, M. N. H., Baihaqi, A. A., & Khalid, I. P. (2024). Priority Decision Making System for Educational Fund Assistance Letters Using Top-Down Parsing Method. Jurnal Media Teknik Elektro Dan Komputer, 01(01), 19–26.
Irawan, D., Perkasa, E. B., Yurindra, Y., Wahyuningsih, D., & Helmud, E. (2021). Perbandingan Klassifikasi SMS Berbasis Support Vector Machine, Naive Bayes Classifier, Random Forest dan Bagging Classifier. Jurnal Sisfokom (Sistem Informasi Dan Komputer), 10(3), 432–437. https://doi.org/10.32736/sisfokom.v10i3.1302
Rambe, M. R. A., Zufria, I., & Rifki, M. I. (2025). Analisis Sentimen Masyarakat pada Platform Media Sosial X (Twitter) terhadap Pelantikan Kabinet Merah Putih Menggunakan Bernoulli Naïve Bayes. DEVICE: JOURNAL OF INFORMATION SYSTEM, COMPUTER SCIENCE AND INFORMATION TECHNOLOGY, 6(1), 83–102. https://doi.org/10.46576/device.v6i1.6360
Rifki, M. I., Gibran, M. K., Hasugian, A. H., & Solihin, M. D. (2025). PEMODELAN DAN EVALUASI PREDIKSI RSRP MENGGUNAKAN ARTIFICIAL NEURAL NETWORK UNTUK OPTIMASI KUALITAS LAYANAN JARINGAN KOMUNIKASI NIRKABEL. INFORMATIKA, 17(1), 392–401. https://doi.org/10.36723/juri.v17i1.751
Saputri, G. A., & Alita, D. (2024). Analisis Sentimen Twitter Terhadap Pemindahan Ibu Kota Negara Menggunakan Support Vector Machine. Jurnal Informatika: Jurnal Pengembangan IT, 9(3), 213–223.
Septhya, D., Rahayu, K., Rabbani, S., Fitria, V., Rahmaddeni, R., Irawan, Y., & Hayami, R. (2023). Implementasi Algoritma Decision Tree dan Support Vector Machine untuk Klasifikasi Penyakit Kanker Paru: Implementation of Decision Tree Algorithm and Support Vector Machine for Lung Cancer Classification. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 3(1), 15–19. https://doi.org/https://doi.org/10.57152/malcom.v3i1.591
Setiawan, A., & Suryono, R. R. (2024). Analisis Sentimen Ibu Kota Nusantara menggunakan Algoritma Support Vector Machine dan Naïve Bayes. Edumatic: Jurnal Pendidikan Informatika, 8(1), 183–192. https://doi.org/https://doi.org/10.29408/edumatic.v8i1.25667
Singh, J., & Tripathi, P. (2021). Sentiment analysis of Twitter data by making use of SVM, Random Forest and Decision Tree algorithm. 2021 10th IEEE International Conference on Communication Systems and Network Technologies (CSNT), 193–198. https://doi.org/10.1109/CSNT51715.2021.9509679
Siregar, A. M. (2023). Analisis Sentimen Pindah Ibu Kota Negara (IKN) Baru pada Twitter Menggunakan Algoritma Naive Bayes dan Support Vector Machine (SVM). Faktor Exacta, 16(3). https://doi.org/http://dx.doi.org/10.30998/faktorexacta.v16i3.16703
Supian, A., Revaldo, B. T., Marhadi, N., Efrizoni, L., & Rahmaddeni, R. (2024). Perbandingan Kinerja Naïve Bayes Dan Svm Pada Analisis Sentimen Twitter Ibukota Nusantara. Jurnal Ilmiah Informatika, 12(01), 15–21. https://doi.org/https://doi.org/10.33884/jif.v12i01.8721
Suwardika, G., & Suniantara, I. K. P. (2019). Analisis Random Forest Pada Klasifikasi CART Ketidaktepatan Waktu Kelulusan Mahasiswa Universitas Terbuka. BAREKENG: Jurnal Ilmu Matematika Dan Terapan, 13(3), 179–186. https://doi.org/10.30598/barekengvol13iss3pp177-184ar910
Tusar, M. T. H. K., & Islam, M. T. (2021). A Comparative Study of Sentiment Analysis Using NLP and Different Machine Learning Techniques on US Airline Twitter Data. 2021 International Conference on Electronics, Communications and Information Technology (ICECIT), 1–4. https://doi.org/10.1109/ICECIT54077.2021.9641336
Zahoor, K., Bawany, N. Z., & Hamid, S. (2020). Sentiment Analysis and Classification of Restaurant Reviews using Machine Learning. 2020 21st International Arab Conference on Information Technology (ACIT), 1–6. https://doi.org/10.1109/ACIT50332.2020.9300098
