ANALISIS SENTIMEN OPINI PUBLIK TERHADAP KECURANGAN PEMILU PRESIDEN 2024 MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE DAN NAÏVE BAYES

SENTIMENT ANALYSIS OF PUBLIC OPINION ON FRAUD IN THE 2024 PRESIDENTIAL ELECTION USING SUPPORT VECTOR MACHINE AND NAÏVE BAYES ALGORITHMS

Pemilu merupakan salah satu pilar utama dalam demokrasi, dimana suara rakyat menjadi penentu utama dalam pembentukan pemerintahan. Kecurangan-kecurangan ini tidak hanya merugikan pesaing politik tetapi juga merusak kepercayaan publik terhadap demokrasi itu sendiri. Kemampuan media sosial untuk menyebarkan informasi dan disinformasi secara masif menambah kompleksitas dalam menjaga integritas pemilu. Analisis sentimen merupakan sebuah proses pengumpulan data dan memahami pendapat dari setiap individu terhadap suatu peristiwa atau topik dalam kehidupan nyata. Diantara berbagai algortima yang tersedia, algortima Support Vector Machine dan Naive Bayes merupakan dua algoritma yang sering digunakan karena evektifitas dan efisiennya dalam klasifikasi teks. Rumusan masalah penelitian ini meliputi: persepsi publik terhadap isu kecurangan pemilu presiden 2024 di media sosial dan perbandingan efektivitas algoritma SVM dan Naive Bayes dalam analisis sentimen opini publik tersebut. Tujuan penelitian adalah menganalisis sentimen publik terhadap kecurangan pemilu, mengklasifikasikan sentimen menggunakan SVM dan Naive Bayes, serta membandingkan efektivitas kedua algoritma tersebut.

Penelitian ini merupakan penelitian kuantitatif yang bertujuan untuk mengukur seberapa banyak perasaan positif dan negatif yang tercermin dalam kumpulan data yang ada. Langkah-langkah yang diambil dalam proses penelitian ini mencakup beberapa tahapan penting. Pertama, data dikumpulkan dari berbagai sumber yang relevan. Setelah itu, dilakukan preprocessing data untuk membersihkan dan mempersiapkan data agar siap diolah lebih lanjut. Selanjutnya, data tersebut diberi label sesuai kategori yang diinginkan. Data kemudian dibagi (splitting) untuk keperluan pelatihan dan pengujian. Pembobotan menggunakan metode TF-IDF dilakukan sebelum klasifikasi data. Terakhir, hasil klasifikasi dievaluasi untuk melihat performa model yang digunakan.

Hasil dan pembahasan analisis sentimen opini publik terhadap kecurangan pemilu presiden 2024 menunjukkan bahwa 42,5% mengandung sentimen negatif, 38,6% menunjukkan sentimen netral, dan hanya 18,9% yang mengandung sentimen positif. Dominasi sentimen negatif ini mengindikasikan adanya kekhawatiran yang meluas di kalangan masyarakat terkait integritas dan transparansi proses pemilu, sementara tingginya sentimen netral mencerminkan banyaknya masyarakat yang masih ragu atau menunggu informasi lebih lanjut sebelum mengambil sikap. Untuk mengatasi hal ini, diperlukan peningkatan transparansi, penguatan lembaga pengawas, dan penggunaan teknologi seperti sistem pemungutan suara elektronik, serta penegakan hukum yang tegas. Hasil perbandingan algoritma Naïve Bayes dan Support Vector Machine (SVM) dengan kernel RBF menunjukkan bahwa SVM menghasilkan akurasi 58%, lebih unggul dibandingkan Naïve Bayes dengan akurasi 51%.

Kata Kunci : Analisis sentimen, Naïve Bayes, Support Vector Machine (SVM), Opini Publik, Kecurangan Pemilu presiden 2024.

Elections are one of the main pillars of democracy, where the people's vote is the main determinant in government formation. These frauds not only harm political competitors but also undermine public trust in democracy itself. The ability of social media to massively spread information and disinformation adds to the complexity of maintaining election integrity. Sentiment analysis is collecting data and understanding the opinions of individuals on real-life events or topics. Among the various algorithms available, Support Vector Machine and Naive Bayes algorithms are two algorithms that are often used because of their effectiveness and efficiency in text classification. The formulation of this research problem includes public perception of cheating in the 2024 presidential election on social media and a comparison of the effectiveness of SVM and Naive Bayes algorithms in sentiment analysis of public opinion. The research objectives are to analyze public sentiment towards election fraud, classify sentiment using SVM and Naive Bayes, and compare the effectiveness of the two algorithms.

This research is a quantitative study that aims to measure how many positive and negative feelings are reflected in the data set. The steps taken in this research process include several important stages. First, data was collected from various relevant sources. After that, data preprocessing was done to clean and prepare the data for further processing. Next, the data was labeled according to the desired category. The data is then split for training and testing purposes. Weighting using the TF-IDF method is done before data classification. Finally, the classification results are evaluated to see the performance of the model used.

The results and discussion of the sentiment analysis of public opinion on the 2024 presidential election fraud show that 42.5% contain negative sentiments, 38.6% show neutral sentiments, and only 18.9% contain positive sentiments. The dominance of negative sentiment indicates widespread concern among the public regarding the integrity and transparency of the electoral process. In contrast, the high level of neutral sentiment reflects the fact that many people are still uncertain or waiting for more information before taking a stand. To address this, increased transparency, strengthened oversight institutions, and the use of technology such as electronic voting systems, as well as strict law enforcement, are needed. The comparison of Naïve Bayes and Support Vector Machine (SVM) algorithms with RBF kernel shows that SVM produces 58% accuracy, superior to Naïve Bayes with 51% accuracy.

Keywords: Sentiment Analysis, Naïve Bayes, Support Vector Machine (SVM), Public Opinion, Fraud In The 2024 Presidential Election.