Perbandingan Kinerja Algoritma Decision Tree Dan Naïve Bayes Dalam Analisis Sentimen Publik Terhadap Kebijakan Pemerintah Mengenai Batasan Penggunaan Media Sosial Anak

Abstract

Perkembangan teknologi informasi menjadikan media sosial sebagai sarana utama untuk berinteraksi, berbagi informasi, dan mengekspresikan pendapat. Namun, tingginya penggunaan media sosial oleh anak-anak menimbulkan kekhawatiran terhadap dampak negatif yang ditimbulkan, sehingga pemerintah menetapkan kebijakan pembatasan usia anak dalam penggunaan media sosial. Penelitian ini bertujuan menganalisis sentimen masyarakat terhadap kebijakan tersebut dengan menerapkan algoritma Decision Tree dan Naïve Bayes. Data penelitian diperoleh dari komentar pengguna TikTok terkait isu pembatasan usia. Tahapan penelitian meliputi pengumpulan data dengan web scraping, pra-pemprosesan (translation, case folding, cleansing, tokenizing, stopword removal, stemming), pelabelan sentimen (positif, negatif, netral), serta representasi data menggunakan Bag of Words. Dataset dibagi menjadi 80% data latih dan 20% data uji. Hasil pengujian menunjukkan bahwa algoritma Naïve Bayes memiliki performa lebih baik dibandingkan Decision Tree. Naïve Bayes mencapai akurasi 97,14%, presisi 97,08%, dan recall 96,92%, sedangkan Decision Tree memperoleh akurasi 91,90%, presisi 96,46%, dan recall 79,76%. Temuan ini membuktikan bahwa Naïve Bayes lebih efektif dalam analisis sentimen media sosial, terutama pada dataset dengan distribusi kelas beragam.Penelitian ini berkontribusi pada pemahaman penerapan algoritma klasifikasi dalam menganalisis opini publik terhadap kebijakan pemerintah, khususnya pembatasan usia media sosial. Selain itu, hasilnya dapat menjadi rujukan bagi pembuat kebijakan maupun penelitian selanjutnya dengan dataset lebih besar atau algoritma yang lebih kompleks.