Perbandingan Model - Model Machine Learning untuk Analisis Sentimen Berdasarkan Ulasan Pengguna Aplikasi SP4N LAPOR! pada Twitter - Dalam bentuk buku karya ilmiah

AHMAD JUNDI KHAIRURRIJAL

Informasi Umum

Kode

25.04.3176

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Natural Language Processing (nlp)

Dilihat

15 kali

Informasi Lainnya

Abstraksi

Meningkatnya penggunaan aplikasi layanan publik telah mengubah cara pemerintah berinteraksi dengan masyarakat, memungkinkan komunikasi dua arah dan peningkatan kualitas layanan. SP4N LAPOR! merupakan salah satu inisiatif pemerintah Indonesia yang bertujuan untuk memfasilitasi pengaduan dan saran dari masyarakat. Namun, diskusi terbaru di media sosial, khususnya di Twitter, menunjukkan adanya ketidakpuasan publik terhadap platform ini. Penelitian ini mengevaluasi sentimen publik dengan menerapkan dan membandingkan lima algoritma klasifikasi machine learning—Logistic Regression, Naive Bayes, Support Vector Machine (SVM), Random Forest, dan Decision Tree—pada dataset berisi 1.598 tweet yang menyebutkan SP4N LAPOR!, dikumpulkan dari tahun 2016 hingga 2024. Proses prapemrosesan data mencakup pembersihan, normalisasi, tokenisasi, penghapusan stopword, dan stemming, diikuti dengan ekstraksi fitur menggunakan Term Frequency–Inverse Document Frequency (TF-IDF). Untuk mengatasi ketidakseimbangan kelas sentimen (positif, netral, negatif), digunakan metode Synthetic Minority Oversampling Technique (SMOTE). Evaluasi dilakukan menggunakan rata-rata makro dari metrik akurasi, presisi, recall, dan F1-score. Dari lima model yang diuji, Logistic Regression menunjukkan performa terbaik dengan akurasi sebesar 78,6% dan F1-score sebesar 78,5%, diikuti oleh Naive Bayes dan SVM. Temuan ini menegaskan kekuatan model tradisional yang dapat diinterpretasikan dalam mengelola teks pendek dan bising seperti yang ditemukan di media sosial. Hasil penelitian ini memberikan implikasi praktis bagi institusi publik yang ingin menambang opini masyarakat dan mengoptimalkan pengalaman layanan digital.