Deteksi Sentimen Publik terhadap Isu Lingkungan di Platform X (Twitter) Menggunakan Naïve Bayes dan Support Vector Machine untuk Mendukung SDGs 13: Climate Action
Kata Kunci:
Public Sentiment, Naïve Bayes, Support Vector Machine, Twitter, SDG 13, Climate ActionAbstrak
Isu lingkungan merupakan salah satu topik yang paling banyak dibahas di media sosial dan menjadi perhatian global seiring meningkatnya kesadaran terhadap perubahan iklim. Twitter sebagai salah satu platform dengan jumlah pengguna besar menjadi sumber data yang potensial untuk memahami persepsi publik terhadap isu lingkungan. Penelitian ini bertujuan untuk mendeteksi sentimen publik terhadap isu lingkungan di Twitter menggunakan algoritma Naïve Bayes dan Support Vector Machine (SVM). Data yang digunakan merupakan Climate Change Twitter Sentiment Dataset dari Kaggle, yang berisi ribuan cuitan tentang isu perubahan iklim dengan label sentimen positif, negatif, dan netral. Tahapan penelitian meliputi text preprocessing (pembersihan teks, tokenizing, dan stopword removal), ekstraksi fitur menggunakan Term Frequency–Inverse Document Frequency (TF-IDF), pelatihan model, serta evaluasi kinerja algoritma. Hasil pengujian menunjukkan bahwa SVM memiliki akurasi yang lebih tinggi dibandingkan Naïve Bayes, masing-masing sebesar 89,4% dan 84,7%. Temuan ini menunjukkan bahwa SVM lebih efektif dalam mendeteksi pola sentimen publik. Penelitian ini diharapkan dapat mendukung pencapaian Sustainable Development Goal (SDG) ke-13, yaitu Climate Action, melalui pemanfaatan teknologi kecerdasan buatan untuk memahami opini masyarakat terhadap isu lingkungan.
Referensi
& W. Food and Agriculture Organization, International Fund for Agricultural Development, UNICEF, WFP, “The Sustainable Development Goals Extended Report 2023,” 2024 [Online]. Available: https://unstats.un.org/sdgs/report/2023/extended-report/Extended-Report_Goal-2.pdf?utm_source=chatgpt.com
M. Sidik, B. Gunawan, and D. Anggraini, “Pembuatan Aplikasi Chatbot Kolektor dengan Metode Extreme Programming dan Strategi Forward Chaining,” J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 2, pp. 293–302, 2021, doi: 10.25126/jtiik.2021824298.
H. Annison, “Book review: Book review,” Criminol. Crim. Justice, vol. 11, no. 3, pp. 277–278, 2011, doi: 10.1177/1748895811401979.
A. Manwombreidy Kafiar and S. Supatman, “Analisis Sentimen Netizen Terhadap Isu Pembabatan Hutan Adat Papua Melalui Tagar #Alleyesonpapua Menggunakan Algoritma Support Vector Machine,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 4, pp. 8129–8135, 2024, doi: 10.36040/jati.v8i4.10672.
M. N. Fadillah and R. N. Sukmana, “Penerapan Algoritma Naïve Bayes Classifier Untuk Analisis Sentimen Kelangkaan Minyak Goreng Pada Media Sosial Twitter,” Infotronik J. Teknol. Inf. dan Elektron., vol. 7, no. 2, p. 82, 2022, doi: 10.32897/infotronik.2022.7.2.1716.
A. Muslim, A. B. Mutiara, R. Refianti, C. M. Karyati, and G. Setiawan, “Comparison of accuracy between long short-term memory-deep learning and multinomial logistic regression-machine learning in sentiment analysis on twitter,” Int. J. Adv. Comput. Sci. Appl., vol. 11, no. 2, pp. 747–754, 2020, doi: 10.14569/ijacsa.2020.0110294.
L. Zhang, S. Wang, and B. Liu, “Deep learning for sentiment analysis: A survey,” Wiley Interdiscip. Rev. Data Min. Knowl. Discov., vol. 8, no. 4, 2018, doi: 10.1002/widm.1253.
A. A. Setyawinda, B. Setiyadi, and A. D. Hartanto, “Perbandingan Algoritma Word Matching dan Naive Bayes untuk Klasifikasi Sentimen Analisis Komentar Instagram,” J. Inform. J. Pengemb. IT, vol. 5, no. 1, pp. 12–16, 2020, doi: 10.30591/jpit.v5i1.1733.
##submission.downloads##
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Prosiding ini memberikan akses terbuka langsung ke isinya dengan prinsip bahwa membuat penelitian tersedia secara gratis untuk publik mendukung pertukaran pengetahuan global yang lebih besar.
Semua artikel yang diterbitkan Open Access akan segera dan secara permanen gratis untuk dibaca dan diunduh semua orang.
