Analisis Komparasi Algoritma Klasifikasi dalam Mendeteksi Sentimen Publik Terhadap Redenominasi Rupiah di TikTok
DOI:
https://doi.org/10.29407/chdv6y85Keywords:
Analisis Sentimen, Big Data, Deep Learning, Redenominasi Rupiah, TikTokAbstract
Wacana kebijakan redenominasi Rupiah menimbulkan beragam respons masyarakat yang banyak disampaikan melalui media sosial TikTok. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap kebijakan redenominasi Rupiah serta membandingkan kinerja enam algoritma klasifikasi, yaitu Naïve Bayes, Decision Tree, Multilayer Perceptron, K-Nearest Neighbors, Support Vector Machine, dan Long Short-Term Memory. Data penelitian berupa 537 komentar TikTok yang dikumpulkan menggunakan teknik scraping berdasarkan kata kunci terkait redenominasi Rupiah. Data kemudian diproses melalui tahapan pra-pemrosesan teks dan diekstraksi menggunakan metode TF-IDF serta tokenisasi untuk mendukung proses klasifikasi. Hasil pengujian menunjukkan bahwa algoritma Long Short-Term Memory menghasilkan performa terbaik dengan tingkat akurasi sebesar 83,33% dan nilai F1-Score sebesar 0,7971. Sementara itu, Multilayer Perceptron dan Support Vector Machine juga menunjukkan kinerja yang baik dengan akurasi sebesar 81,48%. Analisis distribusi sentimen memperlihatkan bahwa mayoritas komentar masyarakat bersentimen positif sebesar 78,48%, diikuti sentimen netral sebesar 13,22% dan sentimen negatif sebesar 8,38%. Hasil penelitian ini menunjukkan bahwa pendekatan Deep Learning efektif dalam mengklasifikasikan sentimen publik di media sosial dan dapat dimanfaatkan sebagai dasar pendukung dalam perumusan strategi komunikasi kebijakan ekonomi yang lebih tepat sasaran.
Downloads
References
[1] O. Mailani, I. Nuraeni, S. A. Syakila, J. Lazuardi, dan P. I. Komunikasi, “Bahasa Sebagai Alat Komunikasi Dalam Kehidupan Manusia,” Online. [Daring]. Tersedia pada: www.plus62.isha.or.id/index.php/kampret
[2] A. A. A. A. Diane Rineke Kaunang, “Transformasi Pola Komunikasi Pegawai Dalam Pelayanan Kesehatan Publik Di Era Digital: Studi Sosiokultural,” Jurnal Mitra Sehat, vol. 15, Nomor 3, hlm. 1–16, Agu 2025.
[3] F. Koestiono, A. P. Hapsari, R. Permadi, M. Muchlis, dan D. Metalia, “Pengaruh Media Sosial terhadap Pembentukan Opini Publik Tentang Hukum,” Politik dan Humaniora, vol. 6, no. 1, hlm. 1–11, 2026, [Daring]. Tersedia pada: https://penerbitadm.pubmedia.id/index.php/iso
[4] D. Atika Parapat dan A. Anas Azhar, “Volume 2 ; Nomor 10,” Oktober, hlm. 46–56, 2024, doi: 10.59435/gjmi.v2i10.943.
[5] R. Talita Trista dan E. Tri Asmoro, “Analisis Sentimen dalam Data Big Data (Studi Kasus pada Media Sosial),” Journal of Multidisciplinary Inquiry in Science Technology and Educational Research, vol. 2, no. 1, 2025, doi: 10.32672/mister.v2i1.2518.
[6] M. Al-Shalih dkk., “Membangun Kesadaran Mata Uang Nasional : Sosialisasi Rupiah Pada Anak-Anak di Desa Manyang Kecamatan Meurah Mulia Article History,” vol. 2, no. 1, 2024, doi: 10.52490/malikalshalih.v3i1.2884.
[7] W. Silalahi Dan W. Go, “Reset Keuangan Negara Ala Cowboy: Analisa Yuridis Restrukturisasi Fiskal Dan Wacana Redenominasi Rupiah,” 2025. [Daring]. Tersedia Pada: Https://Www.Idnfinancials.Com/News/57122/Purbaya-Yudhi-Sadewa-From-Itb-Became-
[8] C. Ekajaya, S. Syahbudi, B. Bustami, dan H. Safri, “Persepsi Masyarakat Kota Pontianak Terhadap Wacana Redenominasi Rupiah Di Indonesia (Studi Kasus Pelaku UMKM Di Kota Pontianak),” Jurnal Ekonomika Dan Bisnis (JEBS), vol. 4, no. 6, hlm. 1600–1608, Okt 2024, doi: 10.47233/jebs.v4i6.2173.
[9] G. Prima Ertansyah, R. Tri, C. Kusuma, dan A. A. Sari, “Analisis Sentimen Pada Media Sosial Menggunakan Teknik Natural Language Processing,” Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB), hlm. 2025.
[10] E. L. Utari Dan S. H. Wibowo, “Analisis Komparatif Algoritma Svm Naive Bayes Dan Lstm Pada Sentimen Komentar Lagu Labour,” Jurnal Informatika Teknologi Dan Sains.
[11] A. Okta, K. Adi, F. Prayoganing Gusti, dan F. Wijaya, “Analisis Sentimen Ulasan Pengguna Aplikasi Mobile Legends Pada Google Playstore Menggunakan Naïve Bayes,” 2025.
[12] J. Supriyanto, D. Alita, dan A. R. Isnain, “Penerapan Algoritma K-Nearest Neighbor (K-NN) Untuk Analisis Sentimen Publik Terhadap Pembelajaran Daring,” Jurnal Informatika dan Rekayasa Perangkat Lunak, vol. 4, no. 1, hlm. 74–80, Mar 2023, doi: 10.33365/jatika.v4i1.2468.
[13] A. D. Sugiarto, M. S. Utomo, J. Raya, T. Lomba Juang, Dan I. Semarang, “Analisis Sentimen Ulasan Pengguna Bca Mobile Di Google Play Store Menggunakan Metode Decision Tree,” 2025.
[14] D. Franciska Mey Dina, T. Haryanti, Dan M. Amirul Haq, “Analisis Sentimen Terhadap Komentar Pada Media Sosial Tiktok Yang Berpotensi Menyebabkan Depresi Menggunakan Metode Naive Bayes,” 2025.
[15] Muhammad Rizki Syafapri, Elin Haerani, Iwan Iskandar, dan Liza Afriyanti, “Klasifikasi sentimen terhadap larangan pernikahan beda agama menggunakan metode Naive Bayes Classifier,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 5, no. 1, hlm. 10–18, Apr 2024, doi: 10.37859/coscitech.v5i1.6889.
[16] R. Afif dan K. Nugroho, “Analisis Sentimen dan Prediksi Ulasan Pada Aplikasi Info BMKG”.
[17] R. Pasaribu, I. A. Gde, S. Putra, U. J. Raya, dan K. Unud, “Analisis Sentimen Ulasan Aplikasi dengan Multinomial Naïve Bayes, Logistic Regression, dan SVM,” JNATIA, vol. 4, no. 1, 2025.
[18] A. Tazidan OctaN dkk., “Algoritma Decision Tree Untuk Analisis Sentimen Public Terhadap Marketplace Di Indonesia,” vol. 05, 2023.
[19] J. Supriyanto, D. Alita, dan A. R. Isnain, “Penerapan Algoritma K-Nearest Neighbor (K-NN) Untuk Analisis Sentimen Publik Terhadap Pembelajaran Daring,” Jurnal Informatika dan Rekayasa Perangkat Lunak, vol. 4, no. 1, hlm. 74–80, Mar 2023, doi: 10.33365/jatika.v4i1.2468.
[20] A. Arasy, S. Agustian, L. Handayani, dan I. Iskandar, “Klasifikasi Sentimen Menggunakan Metode Multilayer Perceptron dengan Fitur TF-IDF,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 5, no. 3, hlm. 908–919, Jun 2025, doi: 10.57152/malcom.v5i3.2052.
[21] Z. Sitorus, M. Iqbal, D. Nasution, dan R. Farta Wijaya, “Penerapan Deep Learning dan Analisis Sentimen terhadap Gap Kompetensi Lulusan Lembaga Pendidikan dan Pelatihan Vokasi terhadap Dunia Kerja dengan Metode Long Short-Term Memory (LSTM),” Bulletin of Information Technology (BIT), vol. 6, no. 2, hlm. 161–172, 2025, doi: 10.47065/bit.v5i2.2029.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Uma Fadhila Dina Puspita, Adhika Pramita Widyasari
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
