KLASIFIKASI SENTIMEN PADA CUITAN PENGGUNA MEDIA SOSIAL X TENTANG CALON PRESIDEN INDONESIA PADA PEMILU 2024

Sari

Media sosial X merupakan salah satu sarana yang efektif untuk menyatakan pendapat atau membaca pendapat orang lain. Pendapat yang dinyatakan dalam media sosial X (cuitan) dapat mengandung sentimen pengguna terhadap topik tertentu, seperti topik tentang calon presiden Republik Indonesia (RI) dalam pemilihan umum (pemilu) 2024. Cuitan dalam jumlah banyak memerlukan waktu yang lama untuk diketahui sentimennya. Karena itu dibutuhkan suatu program komputer yang dapat mengklasifikasi sentimen dari cuitan secara otomatis. Fokus dari penelitian ini adalah membangun model klasifikasi untuk menganalisis sentimen (positif atau negatif) dari cuitan pengguna media sosial X tentang calon presiden RI pada pemilu 2024. Memahami sentimen publik (yang diwakili oleh pengguna media sosial X) terkait calon presiden RI dapat memberikan wawasan yang berguna bagi kontestan pemilu untuk merespons isu-isu yang relevan dan untuk menyusun strategi kampanye yang efektif. Penelitian ini menggunakan tiga algoritma pembelajaran mesin untuk klasifikasi sentimen yaitu Bidirectional Long Short-Term Memory (BiLSTM), Support Vector Machine (SVM), dan Naive Bayes (NB). Data yang digunakan terdiri dari 23.616 cuitan yang tersedia untuk publik dan dapat diunduh dari laman Mandeley. Tahapan penelitian yang dilakukan setelah pengunduhan data adalah pra-pemrosesan data yang termasuk di dalamnya proses casefolding, filtering, tokenizing, stop word removal, dan stemming; dilanjutkan dengan pelatihan dan terakhir pengujian model klasifikasi. Hasil dari penelitian ini adalah model-model yang dapat mengklasifikasi cuitan dari pengguna media sosial X tentang calon presiden Indonesia pada pemilu 2024 ke dalam sentimen positif dan negatif. Hasil penelitian menunjukkan bahwa kinerja yang paling optimal didapat dari dua model yaitu yang dibangun dengan algoritma BiLSTM dan SVM (akurasi 80%, precision 80%, recall 79%, dan F1-score 80%). Model yang dibangun dengan algoritma NB mempunyai kinerja yang lebih rendah (akurasi, precision, recall, dan F1-score semua bernilai 75%).