Analisis Sentimen Pengguna TikTok tentang Pembangunan IKN Menggunakan Algoritma Naive Bayes dan Decision Tree
Kata Kunci:
Analisis Sentimen, Ibu Kota Nusantara, Naïve Bayes, Decision Tree, TikTok, TF-IDFAbstrak
Pembangunan ibu kota nusantara atau IKN kembali menjadi perbincangan hangat di masyarakat Indonesia khususnya di media sosial seperti TikTok. Pendapat orang berbeda-beda, ada pro dan ada kontra. Penelitian ini ingin mengetahui bagaimana sentimen publik terhadap proyek ini, serta membandingkan kinerja algoritma Naive Bayes dan Pohon Keputusan untuk klasifikasi teks. Kami menggunakan kumpulan data dari Kaggle berjudul "analisis sentimen IKN" dalam format CSV. Kami menyiapkan Data terlebih dahulu melalui tahapan preprocessing, mulai dari membuat semua huruf kecil, membersihkan teks, memecahnya menjadi kata-kata, menghilangkan kata-kata umum yang tidak penting, dan mereduksinya menjadi bentuk-bentuk dasar menggunakan pustaka sastra. Model dilatih menggunakan teknik TF-IDF untuk mengubah teks menjadi vektor, dengan data dibagi 80% untuk latihan dan 20% untuk pengujian. Dari hasil tersebut, sentimen negatif lebih dominan, hampir 52,1%, sedangkan positif hanya 46,2%. Algoritma Naive Bayes mendapat akurasi 84,04%, dan ternyata lebih baik dari Decision Tree. Intinya, Naive Bayes lebih cocok untuk analisis sentimen teks bahasa Indonesia khususnya tentang perkembangan IKN. Penelitian ini juga dapat membantu pengembangan cara analisis sentimen dalam bahasa kita untuk masalah sosial penting di negara ini.
Unduhan
Referensi
A. R. Saputra, D. Wulandari, dan M. F. Lestari, “Analisis Sentimen Publik terhadap Ibu Kota Nusantara (IKN) menggunakan Metode Support Vector Machine dan Naïve Bayes,” Repository Universitas Putra Indonesia YPTK, Padang, Indonesia, 2023. [Online]. Available: http://repository.upiyptk.ac.id/12625/.
R. N. Prasetyo dan S. W. Nugroho, “Analisis Sentimen Pengguna TikTok tentang Progres Pembangunan IKN dengan Metode Random Forest,” Jurnal Computer Science and Technology (JCSTech), Universitas Widya Dharma Klaten, vol. 6, no. 2, 2024. [Online]. Available: https://journal.unwidha.ac.id/index.php/jcstech/article/view/345.
“Testing the Random Forest method on Google Colab showed an accuracy value of 77%, precision 78%, recall 77% and F1-score 77%. From these values, the Random Forest method is considered quite good in classifying Tiktok user sentiment in responding to the progress of the IKN relocation.”
(Rihastuti & Rosyidi, 2025, p. 22)
N. Rafifah, “Analisis Sentimen Komentar TikTok Progres IKN,” Kaggle Dataset, 2023. [Online]. Available: https://www.kaggle.com/datasets/najmarafifah/analisis-sentimen-komentar-tiktok-progres-ikn
“Dataset ini dikumpulkan dari dua unggahan TikTok yang membahas progres pembangunan Ibu Kota Negara (IKN) di Indonesia selama bulan Juni–Juli 2024. Dataset ini berisi 1.472 komentar yang telah diberi label sentimen positif, negatif, dan netral.”
Komputika: Jurnal Sistem Komputer, “Vol. 14 No. 1 (2025): Komputika: Jurnal Sistem Komputer,” Universitas Komputer Indonesia (UNIKOM), Bandung, Indonesia. [Online]. Available: https://ojs.unikom.ac.id/index.php/komputika.
S. A. Siregar, R. Manurung, dan F. Harahap, “Penerapan Algoritma Naïve Bayes dan Decision Tree untuk Analisis Sentimen Masyarakat Terhadap Kinerja Pemerintah di Media Sosial,” Jurnal Informatika dan Sistem Informasi (JIFSI), vol. 10, no. 1, pp. 33-42, 2023. [Online]. Available: https://jifsi.upbatam.ac.id/index.php/jifsi/article/view/812.
M. Alfi, R. Reynaldhi, dan Y. Sibaroni, “Analisis Sentimen Review Film pada Twitter Menggunakan Metode Klasifikasi Hybrid SVM, Naïve Bayes, dan Decision Tree,” e-Proceeding of Engineering, vol. 8, no. 5, pp. 10127-10137, 2021. [Online]. Available: https://pdfs.semanticscholar.org/588d/d0dcc18cd5bef8f628c4f200dd9b359d8683.pdf.
“Pertumbuhan media sosial yang pesat memiliki pengaruh besar dan berperan penting dalam berbagai aspek kehidupan masyarakat di era digital.”
“Berdasarkan hasil pengujian menggunakan metode Naïve Bayes, diperoleh tingkat akurasi sebesar 100% yang menunjukkan metode ini mampu mengklasifikasikan sentimen dengan sangat baik.”
S. Ayudya, A. Armand, M. Hafid, dan M. R. Muttaqin, “Analisis Sentimen Sistem E-Tilang pada Platform Twitter Menggunakan Metode Naïve Bayes dan Decision Tree,” Jurnal Aplikasi Informatika dan Komputer (JAIC), vol. 8, no. 2, pp. 523-530, Nov. 2024. [Online]. Available: https://jurnal.polibatam.ac.id/index.php/JAIC/article/view/8670.
“Hasil penelitian menunjukkan bahwa kedua algoritma tersebut memperlihatkan performa yang sangat baik dalam mengklasifikasikan sentimen, dengan rincian akurasinya 95% pada kedua dataset yang diuji.”
“Model ini menunjukkan akurasi sebesar 99% dengan pembobotan TF-IDF, yang mengindikasikan bahwa model Decision Tree mampu melakukan prediksi yang tepat terkait topik hak angket DPR.”
F. S. Pattiiha dan H. Hanif, “Perbandingan Metode K-NN, Naïve Bayes, Decision Tree untuk Analisis Sentimen Tweet Twitter Terkait Opini terhadap PT PAL Indonesia,” Jurnal Riset Komputer, vol. 9, no. 2, pp. …, 2022. [Online]. Available: https://ulilalbabinstitute.id/index.php/JIM/article/download/4575/3597/9202.
“Hasil penelitian menunjukkan bahwa algoritma Decision Tree memiliki tingkat akurasi tertinggi yaitu sebesar 99%, sehingga dapat disimpulkan bahwa penggunaan algoritma Decision Tree lebih baik dalam mengklasifikasikan data analisis sentimen komentar siswa.”
A. F. Ramadhan dan D. Pratiwi, “Analisis Sentimen Masyarakat terhadap Program Pemerintah Menggunakan Algoritma Naïve Bayes,” Jurnal Ilmiah Teknologi Informasi Terapan (JITTER), vol. 5, no. 3, pp. 212–219, 2023. [Online]. Available: https://jitter.poltektegal.ac.id/index.php/jitter/article/view/574.
M. R. Firmansyah dan N. Saputra, “Analisis Sentimen pada Media Sosial Twitter terhadap Pembangunan Infrastruktur di Indonesia Menggunakan Metode Decision Tree,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 11, no. 4, pp. 715–724, 2024. [Online]. Available: https://jtiik.ub.ac.id/index.php/jtiik/article/view/7685.
D. S. Widodo dan A. A. Nugraha, “Penerapan Text Mining dan Analisis Sentimen terhadap Opini Publik Menggunakan TF-IDF dan Naïve Bayes,” Jurnal Sistem dan Teknologi Informasi (JUSTIN), vol. 10, no. 1, pp. 60–68, 2022. [Online]. Available: https://journal.ubaya.ac.id/index.php/justin/article/view/5748.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Sauqi Zamani, Andre cahya, oknel, yamin nuryamin, Ade Priyatna
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
HAK CIPTA
Hak cipta atas artikel apapun pada Jurnal Nasional Teknologi Komputer (JNASTEK) dipegang penuh oleh penulisnya dibawah lisensi Creative Commons Attribution-ShareAlike 4.0 International License.
1. Penulis mengakui bahwa Jurnal Nasional Teknologi Komputer (JNASTEK) berhak sebagai yang mempublikasikan pertama kali dengan lisensi Creative Commons Attribution-ShareAlike 4.0 International License - CC BY-SA.
2. Penulis dapat memasukan tulisan secara terpisah, mengatur distribusi non-ekskulif dari naskah yang telah terbit di jurnal ini kedalam versi yang lain (misal: dikirim ke respository institusi penulis, publikasi kedalam buku, dll), dengan mengakui bahwa naskah telah terbit pertama kali pada Jurnal Nasional Teknologi Komputer (JNASTEK).
LISENSI
Jurnal Nasional Teknologi Komputer (JNASTEK) diterbitkan berdasarkan ketentuan Creative Commons Attribution-ShareAlike 4.0 International License. Lisensi ini mengizinkan setiap orang untuk menyalin dan menyebarluaskan kembali materi ini dalam bentuk atau format apapun, menggubah, mengubah, dan membuat turunan dari materi ini untuk kepentingan apapun, termasuk kepentingan komersial, selama mereka mencantumkan kredit kepada Penulis atas ciptaan asli.
