Perbandingan Naïve Bayes dan SVM untuk Analisis Sentimen Pengguna Aplikasi X Terhadap Danantara
Abstract
The Indonesian Investment Management Agency Danantara program is an initiativeby the Indonesian government aimed at strengthening the national economy through the management of strategic assets and the enhancement of global investment. The launch of this program has generated various public responses on social media, particularly on the X (Twitter) platform. This study aims to analyze public sentiment in Indoensia roward the Danantara program and to compare the performance of two machine learning algorithms, namely Naïve Bayes and Support Vector Machine (SVM). The analysis process begins with data collection through web crawling, followed by data preprocessing, sentiment labeling using a hybrid lexicon-based approach, TF-IDF weighting, and classsifcation using both algorithms. Model Evaluation is conducted using accuracy, precision, recall, and F1-score metrics. The results indicate that the SVM algorithm achieves an accuracy of 87% while the Naïve Bayes algorithm attains an accuracy of 83,7%. These findings demonstrate that SVM outperforms Naïve Bayes in sentiment text classification. The result of this study is expected to serve as a reference for understanding public perception and as a consideration for policymakers.
Keywords: Sentiment Analysis; Danantara; Support Vector Machine; Naïve Bayes; Lexicon-Based
Abstrak
Program Badan Pengelola Investasi Danantara merupakan inisiatif pemerintah indonesia yang bertujuan untuk memperkuat perekonomian nasional melalui pengelolaan aset strategis dan peningkatan investasi global. Peluncuran program ini memunculkan berbagai tanggapan di media sosial, terutama di platform X (Twitter). Penelitian ini bertujuan untuk menganalisis sentimen masyarakat Indonesia terhadap program Danantara serta membandingkan kinerja dua algoritma machine learning, yaitu Naïve Bayes dan Support Vector Machine (SVM). Proses analisis dimulai dengan pengumpulan data dengan crawling, preprocessing data, pelabelan menggunakan pendekatan hybrid Lexicon-based, pembobotan TF-IDF, serta klasifikasi menggunakan kedua algoritma. Evaluasi dilakukan dengan metrik accuracy, precision, recall, dan f1-score. Hasil penelitian menunjukkan bahwa algoritma SVM memperoleh nilai akurasi sebesar 87% dan Naïve Bayes memperoleh akurasi sebesar 83,7%. Temuan ini menunjukkan bahwa SVM lebih unggul dalam mengklasifikasikan teks sentimen. Hasil penelitian ini diharapkan dapat menjadi referensi dalam memahami persepsi publik serta menjadi bahan pertimbangan bagi pemangku kebijakan.
Keywords
References
Kementerian Keuangan Indonesia, “Presiden Prabowo Resmi Luncurkan Badan Pengelola Investasi Danantara,” 2025. [Online]. Tersedia: https://www.kemenkeu.go.id/informasi-publik/publikasi/berita-utama/Presiden-Luncurkan-Danantara [Diakses:15 Juni 2025]
S. A. Nugraha, “Penerapan Lexicon Based Untuk Analisis Sentimen Masyarakat Indonesia Terhadap Danantara,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 3, pp. 4949–4957, 2025, doi: https://doi.org/10.36040/jati.v9i3.13836.
Pemerintah Republik Indonesia, “Peraturan Pemerintah Republik Indonesia Nomor 10 Tahun 2025 Tentang Organisasi dan Tata Kelola Badan Pengelola Investasi Daya Anagata Nusantara,.” 2025.
M. P. Pulungan, A. Purnomo, A. Kurniasih, P. Korespondensi, I. Class, and S. M. O. Technique, “Penerapan Smote Untuk Mengatasi Imbalance Class Dalam Klasifikasi Kepribadian Mbti Menggunakan Naive Bayes,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 11, no. 5, pp. 1033–1042, 2024, doi: 10.25126/jtiik.2024117989.
M. I. Fikri, T. S. Sabrila, and Y. Azhar, “Perbandingan Metode Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter,” SMATIKA J. STIKI Inform. J., vol. 10, no. 2, pp. 71–76, 2020.
D. D. Putri, G. F. Nama, and W. E. Sulistiono, “Analisis Sentimen Kinerja Dewan Perwakilan Rakyat ( DPR ) Pada Twitter Menggunakan Metode Naive Bayes Classifier,” J. Inform. dan Tek. Elektro Terap., vol. 10, no. 1, pp. 34–40, 2022, doi: https://doi.org/10.23960/jitet.v10i1.2262.
R. Ramlan, N. Satyahadewi, and W. Andani, “Analisis Sentimen Pengguna Twitter Menggunakan Support Vector Machine Pada Kasus Kenaikan Harga BBM,” Jambura J. Math., vol. 5, no. 2, pp. 431–445, 2023, doi: 10.34312/jjom.v5i2.20860.
A. Corallo et al., “Sentiment analysis for government: An optimized approach,” in Proceedings of the International Conference on Electronic Government and the Information Systems Perspective, Lecture Notes in Computer Science, vol. 9166, no. 7, Springer, pp. 98–112, 2015, doi: 10.1007/978-3-319-21024-7_7.
N. Hadi and D. Sugiarto, “Analisis Sentimen Pembangunan IKN pada Media Sosial X Menggunakan Algoritma SVM , Logistic Regression dan Naïve Bayes,” J. Inform. J. Pengemb. IT, vol. 10, no. 1, pp. 37–49, 2025, doi: 10.30591/jpit.v10i1.7106.
W. Ningsih, B. Alfianda, R. Rahmaddeni, and D. Wulandari, “Perbandingan Algoritma SVM dan Naïve Bayes dalam Analisis Sentimen Twitter pada Penggunaan Mobil Listrik di Indonesia,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 2, pp. 556–562, 2024, doi: 10.57152/malcom.v4i2.1253.
P. Arsi and R. Waluyo, “Analisis Sentimen Wacana Pemindahan Ibu Kota Indonesia Menggunakan Algoritma Support Vector Machine (SVM),” J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 1, p. 147, 2021, doi: 10.25126/jtiik.0813944.
D. W. Syahputra, B. Rahayudi, and L. Muflikhah, “Analisis Sentimen Twitter terhadap Kebijakan Pemberlakuan Pembatasan Kegiatan Masyarakat menggunakan Metode Support Vector Machine,” Fak. Ilmu Komputer, Univ. Brawijaya, vol. 6, no. 3, pp. 1067–1072, 2022.
T. Widyanto, I. Ristiana, and A. Wibowo, “Komparasi Naïve Bayes dan SVM Analisis Sentimen RUU Kesehatan di Twitter,” SINTECH J., vol. 6, no. 3, pp. 147–161, 2023, doi: https://doi.org/10.31598/sintechjournal.v6i3.1433.
A. P. Astuti, S. Alam, and I. Jaelani, “Komparasi Algoritma Support Vector Machine Dengan Naive Bayes Untuk Analisis Sentimen Pada Aplikasi BRImo,” Jurnal Bangkit Indonesia, vol. XI, no. 02, pp. 1–7, 2023.
A. R. Isnain et al., “Comparison of Support Vector Machine and Naïve Bayes on Twitter Data Sentiment Analysis,” J. Inform. J. Pengemb. IT, vol. 6, no. 1, pp. 56–60, 2021.
F. A. Ryandi, D. Pratiwi, and S. Sari, “Analisis Sentimen Masyarakat Di Media Sosial X Terhadap Kemenkes Dengan Naive Bayes dan SVM,” J. Sains dan Teknol., vol. 7, no. 1, pp. 1–6, 2025.
F. Koto, “InSet Lexicon : Evaluation of a Word List for Indonesian Sentiment Analysis in Microblogs InSet Lexicon : Evaluation of a Word List for Indonesian Sentiment Analysis in Microblogs,” in Proc. Int. Conf. on Asian Language Processing (IALP), pp. 391–396, 2017, doi: 10.1109/IALP.2017.8300625.
D. H. Wahid, “Peringkasan Sentimen Esktraktif di Twitter Menggunakan Hybrid TF-IDF dan Cosine Similarity,” IJCCS (Indonesian J. Comput. Cybern. Syst.), vol. 10, no. 2, pp. 207–218, 2017.
M. L. Hermanto, Fathoni, O. Ardhillah, and A. Ibrahim, “Analisis Sentimen Masyarakat Terhadap Danantara Di Platform X Dengan Metode SVM,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 4, pp. 6779–6785, 2025, doi: https://doi.org/ 10.36040/jati.v9i4.14189.
Kurnia, I. Purnamasari, and D. D. Saputra, “Analisis Sentimen dengan Metode Naïve Bayes , SMOTE dan Adaboost pada Twitter Bank BTN,” JTIK (Jurnal Teknol. Inf. dan Komunikasi), vol. 7, no. 2, pp. 236–242, 2023, doi: https://doi.org/10.35870/jtik.v7i3.707
D. Purnamasari et al., Pengantar Metode Analisis Sentimen. Depok: Gunadarma Penerbit, 2023.
M. K. Sandryan, B. Rahayudi, and D. E. Ratnawati, “Analisis Sentimen Pada Media Sosial Twitter Terhadap Undang-Undang Cipta Kerja Menggunakan Algoritma Backpropagation dan Term Frequency-Inverse Document Frequency,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 12, pp. 5349–5355, 2021.
J. W. Iskandar and Y. Nataliani, “Perbandingan Naïve Bayes, SVM, dan k-NN untuk Analisis Sentimen Gadget Berbasis Aspek Jessica,” J. RESTI, vol. 5, no. 6, pp. 1120–1126, 2021.
M. Safrudin, M. Martanto, and U. Hayati, “Perbandingan Kinerja Naïve Bayes Dan Support Vector Machine Untuk Klasifikasi Sentimen Ulasan Game Genshin Impact,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 3, pp. 3182–3188, 2024, doi: 10.36040/jati.v8i3.8415.
How To Cite This :
Refbacks
- There are currently no refbacks.
