IMPLEMENTASI TEXT MINING PADA ANALISIS SENTIMEN OPINI MASYARAKAT TERHADAP PEMINDAHAN IBUKOTA KE IKN NUSANTARA MENGGUNAKAN ALGORITMA MULTINOMIAL NAÏVE BAYES

Abstrak

Urgensi untuk memindahkan ibukota negara Indonesia ke luar pulau Jawa sudah dicetuskan oleh Presiden Soekarno sejak tahun 1957. Ide tersebut baru dapat direalisasikan pada masa pemerintahan Presiden Jokowi dan sudah berada dalam masa pembangunan sejak tahun 2020 dan diperkirakan akan selesai pada tahun 2025. Beragam sentimen masyarakat bermunculan terhadap isu tersebut termasuk pengguna media sosial Twitter. Twitter merupakan salah satu platform media sosial yagn memungkinkan penggunanya untuk melakukan kegiatan interaksi dengan pengguna lain secara daring.  Pada penelitian ini, Twitter juga akan menjadi sumber dari data yang akan dikumpulkan. Penelitian ini akan menganalisis sentimen masyarakat dengan memberi label kelas sentimen menjadi tiga kategori yaitu positif, negatif dan netral. Dari hasil yang plelabelan tersebut, akan diimplementasikan text mining dengan algoritma Multinomial Naïve Bayes. Proses tersebut akan menghasilkan prediksi label dari dokumen selanjutnya. Data cuitan yang berhasil dikumpulkan berjumlah 2146 data mentah yang kemudian dilakukan pelabelan otomatis dengan memanfaatkan kamus postive dan negative, adapun proses pelabelan alternatif yang dilakukan pada penelitian ini yang hasil pelabelannya sudah divalidasi oleh seorang pakar. Setelah semua data sudah mempunyai label, data dibersihkan dengan proses preprocessing yang mencakup proses case folding, cleansing, tokenisasi, normalisasi, stopwords, stemming dan memperoleh 1040 data bersih. Data yang sudah bersih tersebut akan dibelah menjadi dua dan  diperoleh data latih dengan perbandingan 80% sebanyak 832 data, dan data uji dengan perbandingan 20% sebanyak 208 data. Setelahnya akan dilakukan pembobotan menggunakan TF-IDF pada data latih serta menghitung nilai probabilitas priors setiap kelas pada data latih. Nilai TF-IDF dan nilai probabilitas priors akan diimplementasikan untuk penghitungan nilai likelihood untuk setiap kata terhadap setiap kelas pada data uji. Dengan menggunakan aplikasi yang dikembangkan pada penelitian ini, diperoleh data hasil klasifikasi sebanyak 23 data positif, 115 data negatif, dan 70 data netral. Serta akan diperoleh hasil confusion matrix dengan nilai akurasi sebesar 57,21%.