Keywords
Logistic Regression
Media Sosial
Naive Bayes
Pemilihan Gubernur
How to Cite
Abstract
Media sosial X (Twitter) menjadi sumber utama opini publik untuk peristiwa politik seperti Pilgub Jawa Timur 2024. Penelitian ini penting untuk memahami persepsi publik secara akurat. Metode yang digunakan adalah membandingkan kinerja algoritma Naive Bayes dan Logistic Regression untuk analisis sentimen pada dataset 2080 tweet yang dikumpulkan melalui crawling. Data melalui tahap prapemrosesan sebelum diklasifikasi menjadi sentimen positif, negatif, dan netral. Hasil penelitian menunjukkan Logistic Regression lebih unggul dengan akurasi 87%, dibandingkan Naive Bayes dengan akurasi 85%. Keunggulan ini juga diperkuat oleh F1-Score rata-rata yang lebih tinggi. Temuan ini menegaskan bahwa Logistic Regression lebih efektif untuk analisis sentimen politik lokal, memberikan landasan data yang kuat bagi perumusan strategi kampanye.
References
[1] D. Khurana, A. Koli, K. Khatter, and S. Singh, “Natural language processing: state of the art, current trends and challenges,” Multimed Tools Appl, vol. 82, no. 3, 2023, doi: 10.1007/s11042-022-13428-4.
[2] A. Perdana, A. Hermawan, and D. Avianto, “Analisis Sentimen Terhadap Isu Penundaan Pemilu di Twitter Menggunakan Naive Bayes Clasifier,” Jurnal Sisfokom (Sistem Informasi dan Komputer), vol. 11, no. 2, 2022, doi: 10.32736/sisfokom.v11i2.1412.
[3] Fathir, M. A. Hariyadi, and Y. Miftachul A, “ANALISIS SENTIMEN ARTIKEL BERITA PEMILU BERBASIS METODE KLASIFIKASI,” Jurnal Indonesia : Manajemen Informatika dan Komunikasi, vol. 4, no. 2, 2023, doi: 10.35870/jimik.v4i2.220.
[4] S. N. Listyarini and D. A. Anggoro, “Analisis Sentimen Pilkada di Tengah Pandemi Covid-19 Menggunakan Convolution Neural Network (CNN),” Jurnal Pendidikan dan Teknologi Indonesia, vol. 1, no. 7, 2021, doi: 10.52436/1.jpti.60.
[5] M. Tegar Lazuardi, T. Suprapti, and Y. Arie Wijaya, “PERANCANGAN MODEL SENTIMEN TWEET TERHADAP PILKADA DKI JAKARTA TAHUN 2017 MENGGUNAKAN ALGORITMA NAÏVE BAYES,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 1, 2023, doi: 10.36040/jati.v7i1.6328.
[6] R. A. Husen, R. Astuti, L. Marlia, R. Rahmaddeni, and L. Efrizoni, “Analisis Sentimen Opini Publik pada Twitter Terhadap Bank BSI Menggunakan Algoritma Machine Learning,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 3, no. 2, 2023, doi: 10.57152/malcom.v3i2.901.
[7] H. Hafizah, T. Tugiono, and A. Azlan, “Sistem Pakar Untuk Pendiagnosaan Karies Gigi Menggunakan Teorema Bayes,” J-SISKO TECH (Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD), vol. 4, no. 1, 2021, doi: 10.53513/jsk.v4i1.2625.
[8] R. Hayami, Soni, and I. Gunawan, “Klasifikasi Jamur Menggunakan Algoritma Naïve Bayes,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 3, no. 1, 2022, doi: 10.37859/coscitech.v3i1.3685.
[9] Erlin, Yulvia Nora Marlim, Junadhi, Laili Suryati, and Nova Agustina, “Deteksi Dini Penyakit Diabetes Menggunakan Machine Learning dengan Algoritma Logistic Regression,” Jurnal Nasional Teknik Elektro dan Teknologi Informasi, vol. 11, no. 2, 2022, doi: 10.22146/jnteti.v11i2.3586.
[10] F. Marleny, Muhammad Fitriansyah, Sa’adah, Winda Astria Nuansa Saputri, Rudy Ansari, and Mambang, “Segmentasi Citra Keretakan Dinding Beton Menggunakan Teknik Perbandingan Evaluasi Metrik,” TEMATIK, vol. 10, no. 1, 2023, doi: 10.38204/tematik.v10i1.1261.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Fajar Wahyuardha Putra, Ahmad Bagus Setiawan, Danang Wahyu Widodo