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

Comparison of Sentiment Analysis Method Accuracy for User Opinion Evaluation on Social Media Platforms (Case Study: Twitter)

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.

In the era of digitalization, social media has become a primary platform for individuals to share opinions and interact with others. Particularly on Twitter, with its billions of active users, the flow of information and large volume of data require efficient approaches for sentiment analysis. 

This study aims to analyze public sentiment on Twitter following the 2024 Presidential Election in Indonesia. Using pre-processing techniques and three classification algorithms—Naïve Bayes, Random Forest, and Support Vector Machine (SVM)—this research evaluates the performance of sentiment analysis methods in identifying and classifying election-related sentiments.

The data used in this study is sourced from Twitter, totaling 806 data points. The process involves data crawling, data cleaning, data labeling, and training using the TF-IDF method before sentiment classification. 

The experimental results show that the Support Vector Machine (SVM) algorithm achieved the best results with an accuracy of 74.79%, recall of 74.79%, and precision of 76.04%. This study finds that SVM performs best in identifying and classifying sentiments. The results of this sentiment analysis can provide valuable insights for decision-makers and stakeholders in the 2024 Indonesian Presidential Election, facilitating a deeper understanding of public sentiment.