Analisis Sentimen Masyarakat terhadap Isu Transformasi Digital Pemerintah di Twitter Menggunakan Naive Bayes dan Support Vector Machine
DOI:
https://doi.org/10.22303/infosys.10.2.2026.73-85Keywords:
Analisis Sentimen, Transformasi Digital Pemerintah, Twitter, Naive Bayes, Support Vector MachineAbstract
Transformasi digital pemerintah menuntut adanya evaluasi berkelanjutan terhadap persepsi masyarakat sebagai pengguna utama layanan publik digital. Media sosial Twitter menjadi sumber data yang potensial untuk menggambarkan opini publik secara real time. Penelitian ini bertujuan menganalisis sentimen masyarakat terhadap transformasi digital pemerintah di Twitter serta membandingkan kinerja algoritma Naive Bayes dan Support Vector Machine (SVM) dalam klasifikasi sentimen berbahasa Indonesia. Dataset yang digunakan berjumlah 3.000 tweet yang dikumpulkan melalui teknik crawling dan diklasifikasikan ke dalam tiga kelas sentimen, yaitu positif, negatif, dan netral. Data diproses melalui tahapan praproses teks dan direpresentasikan menggunakan metode TF-IDF. Pengujian dilakukan dengan pembagian data latih dan data uji sebesar 70:30. Evaluasi kinerja model dilakukan menggunakan confusion matrix dengan parameter akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma SVM menghasilkan performa yang lebih baik dengan akurasi sebesar 91%, dibandingkan Naive Bayes yang memperoleh akurasi 85%. Temuan ini menunjukkan bahwa SVM lebih efektif dalam menangani data teks berdimensi tinggi pada analisis sentimen media sosial. Penelitian ini diharapkan dapat menjadi referensi dalam pengembangan analisis sentimen kebijakan publik serta mendukung evaluasi transformasi digital pemerintah berbasis data.
References
A. I. Tanggraeni and M. N. N. Sitokdana, “Analisis Sentimen Aplikasi E-Government Pada Google Play Menggunakan Algoritma Naïve Bayes,” vol. 9, no. 2, pp. 785–795, 2022.
A. Zahra, R. Tsani, U. Budiyanto, K. Pemerintah, T. Mining, and S. V. Machine, “ANALISIS SENTIMEN PUBLIK TERHADAP KEBIJAKAN PENGIRIMAN SISWA KE BARAK MILITER MENGGUNAKAN SUPPORT VECTOR MACHINE,” vol. 4, no. September, pp. 261–268, 2025.
T. P. Lestari, “Analisis Text Mining pada Sosial Media Twitter Menggunakan Metode Support Vector Machine ( SVM ) dan Social Network Analysis ( SNA ),” vol. 4, no. 3, pp. 65–71, 2022, doi: 10.37034/infeb.v4i3.146.
R. Sanusi, F. D. Astuti, and I. Y. Buryadi, “Analisis sentimen pada twitter terhadap program kartu pra kerja dengan recurrent neural network,” vol. 5, no. 2, pp. 89–99, 2021.
E. Fatra, T. Tri, and F. Manguma, “Analisis Sentimen Media Sosial Menggunakan Metode Naïve Bayes,” vol. 2, pp. 88–98, 2025.
Z. Purwanti, “Pemodelan Text Mining untuk Analisis Sentimen Terhadap Program Makan Siang Gratis di Media Sosial X Menggunakan Algoritma Support Vector Machine ( SVM ),” vol. 5, no. 3, pp. 3065–3079, 2024.
I. Kurniawan, A. L. Hananto, S. S. Hilabi, and A. Hananto, “Perbandingan Algoritma Naive Bayes Dan SVM Dalam Sentimen Analisis Marketplace Pada Twitter,” vol. 10, no. 1, pp. 731–740, 2023.
F. F. Haranto and B. W. Sari, “IMPLEMENTASI SUPPORT VECTOR MACHINE UNTUK ANALISIS SENTIMEN PENGGUNA TWITTER TERHADAP,” vol. 15, no. 2, pp. 171–176, 2019, doi: 10.33480/pilar.v15i2.699.
H. P. P. Zuriel and A. Fahrurozi, “IMPLEMENTASI ALGORITMA KLASIFIKASI SUPPORT VECTOR MACHINE UNTUK ANALISA SENTIMEN PENGGUNA,” pp. 149–162, 2021.
J. J. Pangaribuan and O. P. Barus, “IMPLEMENTASI ALGORITMA TF-IDF DAN SUPPORT VECTOR MACHINE TERHADAP ANALISIS PENDETEKSI KOMENTAR,” vol. 13, no. 1, pp. 124–134, 2023.
S. Hidayat, H. Napitupulu, and N. Gusriani, “Penerapan Model Support Vector Machine Pada Kasus Klasifikasi Teks Berdasarkan Tujuan SDGS Ke Tiga, Empat, Dan Enam.,” vol. 6, no. 2, pp. 28–37, 2024.
R. A. Fikri and R. Muliono, “Sentiment Towards Social Media Politeness Ambassadors: A Case Study Using The Naive Bayes Method,” vol. 8, no. 3, pp. 127–135, 2025.
B. Hakim, “ANALISA SENTIMEN DATA TEXT PREPROCESSING PADA DATA MINING DENGAN MENGGUNAKAN MACHINE LEARNING DATA TEXT PRE-PROCESSING SENTIMENT ANALYSIS IN DATA MINING USING MACHINE LEARNING School of Computer Science and Technology , Harbin Institute of Technology,” vol. 4, no. 2, pp. 16–22, 2021.
V. B. Lestari and C. A. Hutagalung, “Evaluation of TF-IDF Extraction Techniques in Sentiment Analysis of Indonesian-Language Marketplaces Using SVM , Logistic Regression , and Naive Bayes,” no. 021, pp. 36–44.
I. P. Gede et al., “KLASIFIKASI JUDUL BERITA BAHASA INDONESIA MENGGUNAKAN SUPPORT VECTOR MACHINE DAN SELEKSI FITUR MUTUAL INFORMATION,” vol. 22, no. 1, pp. 69–79, 2025.
Ž. Đ. Vujović, “Classification Model Evaluation Metrics,” vol. 12, pp. 6–13, 2021, doi: 10.14569/IJACSA.2021.0120670.
F. Syahputra, D. Yani, H. Tanjung, W. Verina, and O. M. Ihsan, “Analisis Kinerja Algoritma Klasifikasi terhadap Dataset Penerimaan Pegawai Outsourcing,” vol. 14, no. April, pp. 326–335, 2025.
