Optimasi Analisis Sentimen Banjir Sumatra Menggunakan Naive Bayes dan SVC Berbasis Seleksi Fitur
Abstract
Bencana alam banjir bandang yang melanda berbagai wilayah di Sumatra telah menimbulkan dampak fisik dan ekonomi yang signifikan, sekaligus memicu gelombang opini dari masyarakat luas di ruang digital. Dalam konteks mitigasi dan tanggap darurat, media sosial twitter beralih fungsi menjadi platform utama bagi warga untuk menyalurkan informasi terkini, keluhan, simpati, serta kritik terhadap efektivitas penanganan bencana. Mengingat besarnya volume data opini publik tersebut, diperlukan pendekatan komputasional untuk mengevaluasi respons masyarakat secara terukur guna memberikan umpan balik kepada pemerintah. Penelitian ini bertujuan untuk mengidentifikasi dan mengklasifikasikan sentimen masyarakat terhadap isu bencana banjir Sumatra sesuai dengan alur penemuan pengetahuan berbasis data teks. Metode yang digunakan bertumpu pada kerangka kerja sistematis yang mencakup pengumpulan 2.000 data komentar dari twitter, tahapan prapemrosesan teks (meliputi cleansing, case folding, tokenizing, filter stopwords, dan stemming), pelabelan leksikon, serta pembobotan fitur menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) berbasis N-Grams. Data kemudian diklasifikasikan ke dalam sentimen positif dan negatif menggunakan algoritma Multinomial Naive Bayes dan Support Vector Classifier (SVC). Hasil pengujian komparatif mengungkapkan bahwa algoritma SVC dengan optimasi class weight berkinerja unggul dengan akurasi 87,02%, sementara algoritma Naive Bayes memperoleh akurasi 78,30%. Berdasarkan 447 dataset uji yang dievaluasi, model berhasil mengelompokkan ulasan mayoritas ke dalam sentimen negatif yang menyoroti keterlambatan distribusi bantuan, serta sentimen positif yang merepresentasikan apresiasi solidaritas. Kesimpulan dari penelitian ini menegaskan bahwa algoritma klasifikasi SVC, terbukti lebih akurat memproses data teks kebencanaan yang tidak seimbang. Hasil analisis data teks ini dapat dijadikan bahan evaluasi bagi pemangku kepentingan dalam pengambilan keputusan penanganan bencana alam banjir.
References
D. Darwis, N. Siskawati, and Z. Abidin, “Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Review Data Twitter BMKG Nasional,” Jurnal Tekno Kompak, vol. 15, no. 1, p. 131, Jan. 2021, doi: 10.33365/JTK.V15I1.744.
F. Nurrachmat Hidayat, “Analisis Sentimen Masyarakat Terhadap Perekrutan PPPK Pada Twitter Dengan Metode Naive Bayes … (Fajar Nurrachmat Hidayat, Sugiyono) Analisis Sentimen Masyarakat Terhadap Perekrutan PPPK Pada Twitter Dengan Metode Naive Bayes Dan Support Vector Machine,” Jurnal Sains dan Teknologi, vol. 5, no. 2, pp. 665–672, doi: 10.55338/saintek.v5i1.1359.
D. Darwis, E. Shintya Pratiwi, A. Ferico, and O. Pasaribu, “PENERAPAN ALGORITMA SVM UNTUK ANALISIS SENTIMEN PADA DATA TWITTER KOMISI PEMBERANTASAN KORUPSI REPUBLIK INDONESIA,” 2020.
S. Berliani and S. Lestari, “Analisis Sentimen Masyarakat Terhadap Isu Pecat Sri Mulyani Pada Twitter Menggunakan Metode Naive Bayes Dan Support Vector Machine,” Jurnal Sains dan Teknologi, vol. 5, no. 3, pp. 951–960, Apr. 2024, doi: 10.55338/saintek.v5i3.2746.
A. Agustian, T. Tukiro, and F. Nurapriani, “Analisis Sentimen, Text Mining Penerapan Analisis Sentimen Dan Naive Bayes Terhadap Opini Penggunaan Kendaraan Listrik Di Twitter,” Jurnal Tika, vol. 7, no. 3, pp. 243–249, Dec. 2022, doi: 10.51179/TIKA.V7I3.1550.
S. Suryani, M. F. Fayyad, D. T. Savra, V. Kurniawan, and B. H. Estanto, “Sentiment Analysis of Towards Electric Cars using Naive Bayes Classifier and Support Vector Machine Algorithm,” Public Research Journal of Engineering, Data Technology and Computer Science, vol. 1, no. 1, pp. 1–9, Jul. 2023, doi: 10.57152/PREDATECS.V1I1.814.
F. Fathoni, A. Ibrahim, F. R. Mumtaz, M. A. Zaky, M. J. Pratama, and I. A. Kurniawan, “ANALISIS SENTIMEN PUBLIC TWITTER TERHADAP KEBIJAKAN PEMERINTAH MENGGUNAKAN METODE SVM (STUDI KASUS : RUU TNI ),” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 4, pp. 6322–6329, May 2025, doi: 10.36040/JATI.V9I4.14036.
D. Auliya Agustina, S. Subanti, E. Zukhronah, P. Studi Statistika, and U. Sebelas Maret, “Implementasi Text Mining Pada Analisis Sentimen Pengguna Twitter Terhadap Marketplace di Indonesia Menggunakan Algoritma Support Vector Machine,” Indonesian Journal of Applied Statistics, vol. 3, no. 2, pp. 109–122, Jan. 2021, doi: 10.13057/IJAS.V3I2.44337.
A. Tiara Susilawati, A. H. Tiara Susilawati Universitas Muhammadiyah Kalimantan Timur Nur Anjeni Lestari Universitas Muhammadiyah Kalimantan Timur Puput Alpria Nina Universitas Muhammadiyah Kalimantan Timur Jl Ir Juanda No, K. Samarinda Ulu, K. Samarinda, and K. Timur, “Analisis Sentimen Publik Pada Twitter Terhadap Boikot Produk Israel Menggunakan Metode Naïve Bayes,” Nian Tana Sikka : Jurnal ilmiah Mahasiswa, vol. 2, no. 1, pp. 26–35, Dec. 2024, doi: 10.59603/NIANTANASIKKA.V2I1.240.
A. Sentimen Terhadap Aplikasi Satu Sehat Pada Twitter Menggunakan Algoritma Naive Bayes Dan and F. Matheos Sarimole, “Analisis Sentimen Terhadap Aplikasi Satu Sehat Pada Twitter Menggunakan Algoritma Naive Bayes Dan Support Vector Machine,” Jurnal Sains dan Teknologi, vol. 5, no. 3, pp. 783–790, Feb. 2024, doi: 10.55338/SAINTEK.V5I3.2702.
J. Homepage, R. Andini Husen, R. Astuti, L. Marlia, and L. Efrizoni, “Analisis Sentimen Opini Publik pada Twitter Terhadap Bank BSI Menggunakan Algoritma Machine Learning: Sentiment Analysis of Public Opinion on Twitter Toward,” journal.irpi.or.id, vol. 3, pp. 211–218, 2023, doi: 10.57152/malcom.v3i2.901.
A. Perdana, A. Hermawan, and D. Avianto, “Analisis Sentimen Terhadap Isu Penundaan Pemilu di Twitter Menggunakan Naive Bayes Clasifier,” Jurnal Sisfokom (Sistem Informasi dan Komputer), vol. 11, no. 2, pp. 195–200, Jul. 2022, doi: 10.32736/SISFOKOM.V11I2.1412.
E. Febriyani and H. Februariyanti, “Analisis Sentimen Terhadap Program Kampus Merdeka Menggunakan Algoritma Naive Bayes Classifier Di Twitter,” vol. 17, no. 1.
A. Felicia Watratan, A. B. Puspita, D. Moeis, S. Informasi, and S. Profesional Makassar, “Implementasi Algoritma Naive Bayes Untuk Memprediksi Tingkat Penyebaran Covid-19 Di Indonesia,” 2020. [Online]. Available: http://journal.isas.or.id/index.php/JACOST
A. Tharwat, “Parameter investigation of support vector machine classifier with kernel functions,” Knowl. Inf. Syst., vol. 61, no. 3, pp. 1269–1302, 2019, doi: 10.1007/s10115-019-01335-4.
G. M. D. Iqbal et al., “A Support Vector Machine based Logistic Regression Model Approach for Classification Problems,” in IISE Annual Conference and Expo 2023, Institute of Industrial and Systems Engineers, IISE, 2023. doi: 10.21872/2023IISE_3358.
J. Saputra, L. Maryani, D. Wulandari, and W. Eka, “Analisis Performa Naive Bayes dan SVM terhadap Sentimen Teks Media Sosial dengan Word2Vec dan SMOTE under a Creative Commons Attribution-NonCommercial ShareAlike 4.0 International (CC BY-NC-SA 4.0),” vol. 10, no. 1, 2025, [Online]. Available: https://journal.uin-alauddin.ac.id/index.php/instek
A. Kho and F. F. Tampinongkol, “Analisis Sentimen Pengguna Aplikasi STEAM dengan Algoritma Naive Bayes,” Ranah Research : Journal of Multidisciplinary Research and Development, vol. 7, no. 6, 2025, doi: 10.38035/rrj.v7i6.1803.
T. Ridwansyah, “Implementasi Text Mining Terhadap Analisis Sentimen Masyarakat Dunia Di Twitter Terhadap Kota Medan Menggunakan K-Fold Cross Validation Dan Naïve Bayes Classifier,” KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 2, no. 5, 2022, doi: 10.30865/klik.v2i5.362.
S. A. Nugraha, “PENERAPAN LEXICON BASED UNTUK ANALISIS SENTIMEN MASYARAKAT INDONESIA TERHADAP DANANTARA,” 2025.
M. Salman Al Markas, S. Anraeni, and L. Budiman Ilmuwan, “Implementasi Fitur Vector Bag Of Word Dan TF IDF untuk Analisis Sentiment,” LINIER: Literatur Informatika dan Komputer, vol. 2, no. 2, 2025, doi: 10.33096/linier.v2i2.3104.
M. F. Ramadhan, “Klasifikasi Topik dan Sentimen Judul Berita dengan Augmentasi dan TF-IDF,” RIGGS: Journal of Artificial Intelligence and Digital Business, vol. 4, no. 2, 2025, doi: 10.31004/riggs.v4i2.1692.
A. D. Haryo and J. B. B. Darmawan, “Prosiding Nasional Rekayasa Teknologi Industri dan Informasi (ReTII) ke-20 262 Institut Teknologi Nasional Yogyakarta,” pp. 262–268, 2025, [Online]. Available: http://journal.itny.ac.id/index.php/ReTII
M. F. Abdullah, A. Agus, and A. Miftachuddin, “Analisis Sentimen Review Aplikasi Ruang Guru Menggunakan Multinomial Naïve Bayes,” 2025.
H. Hong, B. Pradhan, D. T. Bui, C. Xu, A. M. Youssef, and W. Chen, “Comparison of four kernel functions used in support vector machines for landslide susceptibility mapping: a case study at Suichuan area (China),” Geomatics, Natural Hazards and Risk, vol. 8, no. 2, 2017, doi: 10.1080/19475705.2016.1250112.
