Perbandingan Akurasi Metode Analisis Sentimen Untuk Evaluasi Opini Pengguna Pada Platform Media Sosial (Studi Kasus: Twitter)

Abstract

Abstrak— Dalam era digitalisasi, media sosial telah menjadi platform utama bagi individu untuk berbagi opini dan berinteraksi dengan pengguna lainnya. Khususnya di Twitter, yang memiliki miliaran pengguna aktif, aliran informasi dan volume data yang besar memerlukan pendekatan yang efisien dalam menganalisis sentimen. Penelitian ini bertujuan untuk menganalisis sentimen opini masyarakat di media sosial Twitter setelah Pemilihan Presiden 2024 di Indonesia. Dengan menggunakan teknik pre-processing dan tiga algoritma klasifikasi, yaitu Naïve Bayes, Random Forest, dan Support Vector Machine (SVM). Penelitian ini mengevaluasi performa metode analisis sentimen dalam mengidentifikasi dan mengklasifikasikan sentimen terkait pemilu. Data yang digunakan berasal dari Twitter, dengan total 806 data. Proses melibatkan crawling data, pembersihan data, pelabelan data, dan pelatihan data dengan metode TF-IDF sebelum dilakukan klasifikasi sentimen. Hasil eksperimen menunjukkan bahwa algoritma Support Vector Machine (SVM) memperoleh hasil terbaik dengan akurasi sebesar 74.79%, recall 74.79%, dan precision 76.04%. penelitian ini menemukan bahwa SVM memiliki kinerja terbaik dalam mengidentifikasi dan mengklasifikasikan sentimen. Hasil analisis sentimen ini dapat memberikan wawasan berharga bagi pengambil keputusan dan stakeholders dalam pemilu 2024 di Indonesia, memfasilitasi pemahaman yang lebih mendalam tentang sentimen masyarakat. Kata Kunci— Perbandingan, Naïve Bayes, Random Forest, SVM (Support Vector Machine), Pemilu 2024, Sentimen Publik.