Klasifikasi Teks Quick Count Pemilihan Presiden 2024 pada Twitter menggunakan Metode TF-IDF dan Naive Bayes

Aditya Pranata; Rudiman Rudiman; Naufal Azmi Verdikha

doi:10.54914/jit.v10i2.1279

Penulis

Aditya Pranata Universitas Muhammadiyah Kalimantan Timur
Rudiman Universitas Muhammadiyah Kalimantan Timur
Naufal Azmi Verdikha Universitas Muhammadiyah Kalimantan Timur

DOI:

https://doi.org/10.54914/jit.v10i2.1279

Kata Kunci:

Klasifikasi Teks, Naive Bayes, Pembobotan TF-IDF, Quick Count, X Twitter

Abstrak

Pemilihan Presiden Indonesia 2024 menghasilkan berbagai tanggapan di platform X Twitter terkait Quick Count. Banyaknya pendapat yang beragam menyulitkan proses identifikasi dan kategorisasi sentimen secara tepat. Penelitian ini bertujuan mengevaluasi keakuratan metode Naive Bayes dengan pembobotan TF-IDF dalam klasifikasi teks mengenai Quick Count Pemilihan Presiden 2024 pada X Twitter. Data diperoleh melalui crawling, menghasilkan 2113 tweet yang kemudian diberi label oleh ahli dalam pelabelan data. Tahap preprocessing mencakup case folding, cleansing, penghapusan stopword, dan stemming. Kata-kata diberi bobot menggunakan TF-IDF, lalu data dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian. Klasifikasi teks menggunakan algoritma Naive Bayes mencapai akurasi 74,46%, menunjukkan akurasi yang cukup baik dalam mengklasifikasikan teks terkait Quick Count Pemilihan Presiden 2024 pada X Twitter.

Unduhan

Data unduhan belum tersedia.

Referensi

[1] Hananto Widodo and Dicky Eko Prasetio, “Penataan Kewenangan KPU dan Bawaslu dalam Melakukan Pengawasan dan Menangani Sengketa Proses Pemilu,” Perspekt. Huk., vol. 21, no. 2, pp. 17–38, 2021, doi: 10.30649/ph.v21i2.93.

[2] N. B. Nugraha, M. Suhaidi, and J. S, “Aplikasi Quick Count Pada Pemilu Legislatif Dengan Metode Sainte Lague Berbasis Mobile,” Inform. J. Inform. Manaj. DAN Komput., vol. 11, no. 1, p. 76, 2019, doi: 10.36723/juri.v11i1.158.

[3] A. P. Rhima Indria Saraswati, “Kepercayaan Masyarakat Terhadap Hasil Quick Count Pada Pemilihan Presiden Dan Legislatif Tahun 2019,” J. Kewarganegaraan, vol. 4, no. 1, p. 25, 2020.

[4] Andi Saadillah, Andi Haryudi, Muhammad Reskiawan, and Alam Ikhsanul Amanah, “Penggunaan Bahasa Sarkasme Netizen di Media Sosial,” J. Onoma Pendidikan, Bahasa, dan Sastra, vol. 9, no. 2, pp. 1437–1447, 2023, doi: 10.30605/onoma.v9i2.2367.

[5] K. Ulfa, E. P. Purnomo, and A. N. Kasiwi, “The Campaign Strategy of 2019 Presidential and Vice-Presidential Elections on Social Media,” Society, vol. 8, no. 2, pp. 284–297, 2020, doi: 10.33019/society.v8i2.137.

[6] D. F. Zhafira, B. Rahayudi, and I. Indriati, “Analisis Sentimen Kebijakan Kampus Merdeka Menggunakan Naive Bayes dan Pembobotan TF-IDF Berdasarkan Komentar pada Youtube,” J. Sist. Informasi, Teknol. Informasi, dan Edukasi Sist. Inf., vol. 2, no. 1, pp. 55–63, 2021, doi: 10.25126/justsi.v2i1.24.

[7] L. Wulandari, “Framing and Sentiment Analysis of Gerindra Party Political Communication on Twitter ( X ) Towards the 2024 Elections Framing and Sentiment Analysis of Gerindra Party Political,” J. Wacana Polit., vol. 8, no. January, pp. 2–10, 2024, doi: 10.24198/jwp.v8i1.51967.

[8] I. Amin, “Media Sosial antara Potensi & Bahaya dalam Kampanye Pemilu 2024,” tirto.id. [Online]. Available: https://tirto.id/media-sosial-antara-potensi-bahaya-dalam-kampanye-pemilu-2024-gNwH

[9] E. A. Sosiawan and R. Wibowo, “Kontestasi Berita Hoax Pemilu Presiden Tahun 2019 di Media Daring dan Media Sosial,” J. Ilmu Komun., vol. 17, no. 2, p. 133, 2020, doi: 10.31315/jik.v17i2.3695.

[10] M. Rizki, M. Fikri Hidayattullah, and Dwi Intan Af’idah, “Klasifikasi Opini Publik di Twitter Terhadap Bakal Calon Presiden Indonesia Tahun 2024 Menggunakan LSTM Secara Realtime Berbasis Website,” Infotekmesin, vol. 14, no. 2, pp. 285–295, 2023, doi: 10.35970/infotekmesin.v14i2.1908.

[11] D. Nurmalasari and H. Ribut Yuliantoro, “Implementasi Ekstraksi Fitur untuk Pengelompokan Dokumen Proposal Menggunakan Algoritma NaÃ¯ve Bayes,” J. Komput. Terap., vol. 8, no. 1, pp. 194–203, 2022, doi: 10.35143/jkt.v8i1.5351.

[12] M. Muslimin and V. Lusiana, “Analisis Sentimen Terhadap Kenaikan Harga Bahan Pokok Menggunakan Metode Naive Bayes Classifier,” J. Media Inform. Budidarma, vol. 7, no. 3, pp. 1200–1209, 2023, doi: 10.30865/mib.v7i3.6418.

[13] I. Novitasari, T. B. Kurniawan, D. A. Dewi, and Misinem, “Analisis sentimen masyarakat terhadap tweet ruang guru menggunakan algoritma naive bayes classifier (NBC) [Analysis of public sentiment towards ruang guru’s tweets using the Naive Bayes Classifier (NBC) algorithm],” J. Mantik, vol. 6, no. 3, pp. 2685–4236, 2022.

[14] E. Salim and A. Solichin, “ANALISIS SENTIMEN PADA MEDIA SOSIAL TWITTER TERHADAP PELAYANAN DINAS KEPENDUDUKAN DAN PENCATATAN SIPIL MENGGUNAKAN ALGORITMA NAÏVE BAYES,” 2022. [Online]. Available: http://jom.fti.budiluhur.ac.id/index.php/IDEALIS/indexEmilSalim%7Chttp://jom.fti.budiluhur.ac.id/index.php/IDEALIS/index%7C

[15] M. U. Albab, Y. Karuniawati, and M. N. Fawaiq, “Optimization of the Stemming Technique on Text preprocessing President 3 Periods Topic,” J. Transform., vol. 20, no. 2, pp. 1–10, 2023, [Online]. Available: https://journals.usm.ac.id/index.php/transformatika/page1

[16] M. Hamka, N. Alfatari, and D. Ratna Sari, “Analisis Sentimen Produk Kecantikan Jenis Serum Menggunakan Algoritma Naïve Bayes Classifier,” J. Sist. Komput. dan Inform., vol. 4, no. 1, p. 64, 2022, doi: 10.30865/json.v4i1.4740.

[17] M. R. A. Surya, Martanto, and U. Hayati, “Analisis Sentimen Ulasan Pengguna Ovo Menggunakan Algoritma Naive Bayes Pada Google Play Store,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 3, pp. 2780–2786, 2024.

[18] A. Putri et al., “Komparasi Algoritma K-NN, Naive Bayes dan SVM untuk Prediksi Kelulusan Mahasiswa Tingkat Akhir,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 1, pp. 20–26, 2023, doi: 10.57152/malcom.v3i1.610.

[19] R. P. Sidiq, B. A. Dermawan, and Y. Umaidah, “Sentimen Analisis Komentar Toxic pada Grup Facebook Game Online Menggunakan Klasifikasi Naïve Bayes,” J. Inform. Univ. Pamulang, vol. 5, no. 3, p. 356, 2020, doi: 10.32493/informatika.v5i3.6571.

[20] L. S. Y. Sriani, Suhardi, “ANALISIS SENTIMEN PENGGUNA APLIKASI MOBILE JKN MENGGUNAKAN ALGORITMA NAÏVE BAYES,” J. Sci. Soc. Res., vol. 4307, no. May, pp. 555–563, 2024.

[21] I. N. Husada and H. Toba, “Pengaruh Metode Penyeimbangan Kelas Terhadap Tingkat Akurasi Analisis Sentimen pada Tweets Berbahasa Indonesia,” J. Tek. Inform. dan Sist. Inf., vol. 6, no. 2, pp. 400–413, 2020, doi: 10.28932/jutisi.v6i2.2743.

[22] M. I. Fikri, T. S. Sabrila, Y. Azhar, and U. M. Malang, “Perbandingan Metode Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter,” SMATIKA J. STIKI Inform. J., vol. 10, no. 2, pp. 71–76, 2020.

[23] L. Farokhah, “Implementasi K-Nearest Neighbor Untuk Klasifikasi Bunga Dengan Ekstraksi Fitur Warna Rgb Implementation of K-Nearest Neighbor for Flower Classification With Extraction of Rgb Color Features,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 6, pp. 1129–1136, 2020, doi: 10.25126/jtiik.202072608.