Analisis Sentimen Kontaminasi Radioaktif di Kawasan Industri Cikande Menggunakan Algoritma Support Vector Machine

Taufik Ramlan Alfiansyah; Audy Abdillah Hidayat; Alfarezi Hidayat Pratama; Agil Aqshol Mahenda; Muhammad Rafly

doi:10.54914/jit.v12i1.2694

Penulis

Taufik Ramlan Alfiansyah Universitas Bina Sarana Informatika
Audy Abdillah Hidayat Universitas Bina Sarana Informatika
Alfarezi Hidayat Pratama Universitas Bina Sarana Informatika
Agil Aqshol Mahenda Universitas Bina Sarana Informatika
Muhammad Rafly Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.54914/jit.v12i1.2694

Kata Kunci:

Analisis Sentimen, Cikande, Kontaminasi Radioaktif, Support Vector Machine, Tiktok

Abstrak

Dugaan ada kontaminasi radioaktif yang mencemari kawasan industri Cikande membuat masyarakat bereaksi keras, yang terlihat dari banyaknya komentar di TikTok. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap isu tersebut serta mengevaluasi kinerja algoritma Support Vector Machine (SVM) dalam mengklasifikasikan opini secara otomatis. Data yang digunakan berasal dari 3.160 komentar yang dikumpulkan dengan cara web scraping, lalu diproses melalui beberapa langkah seperti membersihkan teks, normalisasi, pemisahan kata, menghapus kata umum, dan merangkum kata sebelum digunakan metode TF-IDF untuk representasi. Komentar kemudian diberi label menggunakan cara berdasarkan leksikon, yang menunjukkan 70.79% komentar bersifat negatif dan 29.21% bersifat positif. Pemodelan dilakukan dengan SVM menggunakan data latih dan uji dengan perbandingan 80:20. Hasilnya menunjukkan bahwa model berhasil mendapatkan akurasi sebesar 89% dan bisa dengan baik mengenali kedua jenis sentimen. Secara umum, komentar negatif lebih banyak mengungkapkan kekhawatiran terhadap kesehatan, dampak lingkungan, dan kurangnya kepercayaan terhadap cara pengelolaan limbah, sementara komentar positif menekankan pentingnya verifikasi secara ilmiah dan pemantauan resmi. Temuan ini menunjukkan perlunya komunikasi tentang risiko yang lebih jelas, konsisten, dan berdasarkan data agar bisa mengurangi kekhawatiran masyarakat dan meningkatkan kepercayaan publik.

Unduhan

Data unduhan belum tersedia.

Referensi

F. A. Ryandi, D. Pratiwi, dan S. Sari, “Analisis Sentimen Masyarakat di Media Sosial X Terhadap Kemenkes Dengan Naive Bayes Dan SVM,” Jurnal Sains dan Teknologi, vol. 7, no. 1, hal. 1–6, 2025, doi:10.55338/saintek.v7i1.

K. R. Amaliah, U. Enri, dan S. Defiyanti, “Analisis Sentimen Pengguna Website Siska Menggunakan Algoritma Naive Bayes Dengan Optimasi Particle Swarm Optimization,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 3, hal. 365–369, 2025, doi:10.23960/jitet.v13i3.6839.

Z. Alhaq, A. Mustopa, S. Mulyatun dan J. D. Santoso “Penerapan Metode Support Vector Machine Untuk Analisis Sentimen Pengguna Twitter," Journal of Information System Management, vol. 3, no. 1, hal. 16-21, 2021, doi:10.24076/joism.2021v3i2.558.

A. G. Husna, H. Susanto, dan Purwono, “Penyisihan Unsur Stronsium (Sr) dan Cesium (Cs) Pada Limbah Radioaktif Dengan Kandungan Organik Polycyclic Aromatic Hydrocarbon (Pah) Menggunakan Membran Nanofiltrasi,” Jurnal Teknik Lingkungan, vol. 6, no. 1, hal. 1-20, 2017.

D. Sukandar, G. F. Amri, Dasumiati, dan D. Fauzih, “Pemantauan Konsentrasi Radionuklida Cs-137 , Co-60 , I-131 Serta Kualitas Air Daerah Aliran Sungai Bekasi,” Jurnal Ilmu Lingkungan, vol. 23, no. 1, hal. 23–34, 2025, doi: 10.14710/jil.23.1.23-34.

F. Lim dan A. T. Ayunda, “Analisis Sentimen Masyarakat Indonesia Terhadap Aplikasi Threads di Twitter Menggunakan Naïve Baiyes,” Jurnal Sistem Informasi, vol. 9, no. 2, hal. 55-64, 2023, doi:10.19109/jusifo.v9i2.19965.

R. F. T. Wulandari, dan D. Anubhakti, “Implementasi Algoritma Support Vector Machine (SVM) dalam Memprediksi Harga Saham Pt. Garuda Indonesia Tbk,” Indonesia Journal Information System, vol. 4, no. 2, hal. 250–256, 2021, doi:10.36080/idealis.v4i2.2847.

M. T. F. Maulana, B. I. Nugroho, dan E. U. S. Utami, “Analisis Sentimen Ulasan Aplikasi TikTok di Google Playstore Menggunakan Algoritma Naive Bayes,” Journal of Articial Intelligence and Digital Business, vol. 4, no. 3, hal. 6627–6635, 2025, doi:10.31004/riggs.v4i3.2962.

R. Abidin dan A. Herawati, “Analisis Sentimen Publik Terhadap Kebijakan Program Tabungan Rakyat (Tapera),” Journal of Information System and Computer, vol. 4, no. 1, hal. 13–19, 2024, doi:10.34001/jister.v4i1.1002.

N. Adila, F. Sembiring, dan W. Jatmiko, “Implementation of Web Scraping for Journal Data Collection on the Sinta Website,” Jurnal dan Penelitian Teknik Informatika, vol. 7, no. 4, hal. 2478–2485, 2022, doi:10.33395/sinkron.v7i4.11576.

E. Apriani, I. F. Hanif, F. Oktavianalisti, L. D. H. Monasari, dan I. Winarni, “Analisis Sentimen Penggunaan TikTok Sebagai Media Pembelajaran Menggunakan Algoritma Naïve Bayes Classifier,” Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. July, hal. 1160–1168, 2024, doi:10.57152/malcom.v4i3.1482.

B. Hakim, “Analisa Sentimen Data Text Preprocessing Pada Data Mining Dengan Menggunakan Machine Learning," Journal of Business and Audit Information System, vol. 4, no. 2, hal. 16–22, 2021, doi:10.30813/jbase.v4i2.3000.

D. F. M. Dina, T. Haryanti, dan M. A. Haq, “Analisis Sentimen Terhadap Komentar Pada Media Sosial Tiktok Yang Berpotensi Menyebabkan Depresi Menggunakan Metode Naive Bayes,” Jurnal Ilmiah Computing Insight, vol. 7, no. 1, hal. 1–9, 2025, doi:10.30651/comp_insight.v7i1.26327.

Junaedi, A. H. Gunawan, V. Kuswanto, dan Jonathan, “Eksplorasi Algoritma Support Vector Machine untuk Analisis Sentimen Destinasi Wisata di Indonesia,” Journal Bit-Tech, vol. 7, no. 2, hal.323-330, 2024, doi: 10.32877/bt.v7i2.1810.

P. M. S. Ardinata, A. A. J. Permana, dan I. N. S. W. Wijaya, “Identifikasi Dan Normalisasi Teks Slang Dengan Fasttext Pada Twitter Dalam Bahasa Indonesia,” Jurnal Pendidikan Teknologi dan Kejuruan, vol. 21, no. 1, hal. 34-44, 2024, doi:10.23887/jptkundiksha.v21i1.66381.

J. Petrus, Ermatita, Sukemi, dan Erwin, “A Novel Approach : Tokenization Framework based on Sentence Structure in Indonesian Language,” International Journal of Advanced Computer Science and Applications, vol. 14, no. 2, hal. 541–549, 2023, doi:10.14569/IJACSA.2023.0140264.

R. Rinandyaswara, Y. A. Sari, dan M. T. Furqon, “Pembentukan Daftar Stopword Menggunakan Term Based Random Sampling Pada Analisis Sentimen Dengan Menggunakan Metode Naive Bayes,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 9, no. 4, hal. 717–724, 2022, doi: 10.25126/jtiik.202294707.

I. M. A. Agastya, “Pengaruh Stemmer Bahasa Indonesia Terhadap Peforma Analisis Sentimen Terjemahan Ulasan Film,” Jurnal Tekno Kompak, vol. 12, no. 1, hal. 18–23, 2018, doi:10.33365/jtk.v12i1.70.

F. A. J. Nur, A. Romadhony, dan Hasmawati, “Analisis Sentimen Pada Media Sosial Universitas Dengan Metode Berbasis Leksikon,” e-Proceeding of Engineering, vol. 10, no. 2, hal. 1691–1697, 2023.

Y. A. Prasetyo, E. Utami, dan A. Yaqin, “Pengaruh Komposisi Split Data Terhadap Performa Akurasi Analisis Sentimen Algoritma Naïve Bayes dan SVM,” Journal of Electrical Engineering and Computer, vol. 6, no. 2, hal. 382–390, 2024, doi:10.33650/jeecom.v4i2.

R. Ramlan, N. Satyahadewi, dan W. Andani, “Analisis Sentimen Pengguna Twitter Menggunakan Support Vector Machine Pada Kasus Kenaikan Harga Bbm,” Jambura Journal of Mathematics, vol. 5, no. 2, hal. 431–445, 2023, doi:10.34312/jjom.v5i2.20860.