Jurnal ANALISIS SENTIMEN MASYARAKAT DI PLATFORM X (TWITTER) TERHADAP KASUS BBM OPLOS PERTAMINA MENGGUNAKAN ALGORITMA NAIVE BAYES DAN RANDOM FOREST

• REZA FADILLA
• 2025

---

Media sosial telah menjadi arena utama bagi masyarakat untuk mengekspresikan reaksi langsung mereka terhadap isu-isu terkini, termasuk kasus bahan bakar tercampur yang mempengaruhi Pertamina. Percakapan yang tersebar di Platform X (Twitter) mengandung jejak opini publik yang berharga namun mentah, tersebar, dan sulit dipetakan tanpa pendekatan komputasional yang tepat. Penelitian ini berangkat dari kenyataan tersebut: kebutuhan akan pemetaan sentimen sistematis dan kuantitatif terhadap peristiwa yang memicu respons publik yang luas.
Sejauh yang diketahui para peneliti, belum ada studi komprehensif yang menggabungkan teknik penambangan teks dan pembelajaran mesin ensambel untuk menganalisis sentimen publik terhadap kasus bahan bakar tercampur di Platform X. Kekosongan ini membuat sulit bagi pembuat kebijakan atau pihak terkait untuk memahami apakah opini yang dominan didominasi oleh kritik, kekhawatiran, atau dukungan, serta topik-topik turunan apa yang muncul dari diskusi publik. Oleh karena itu, diperlukan pendekatan yang mampu menangani volume data besar dan keragaman bahasa netizen.

Penelitian ini bertujuan untuk mengisi kesenjangan tersebut dengan melakukan analisis sentimen pada 1.324 tweet yang dikumpulkan melalui web scraping/API di Platform X, menggunakan serangkaian pra-pemrosesan teks (pembersihan, tokenisasi, penyesuaian huruf besar/kecil, penghapusan kata stop, dan penyaringan token) serta ekstraksi fitur TF-IDF sebelum klasifikasi menggunakan algoritma Naive Bayes dan Random Forest. Untuk meningkatkan ketahanan prediksi, kedua model digabungkan menggunakan teknik ensembel voting mayoritas di RapidMiner. Langkah-langkah dalam pipeline pengumpulan dan pemrosesan data dirancang agar hasilnya dapat direplikasi dan dievaluasi secara kuantitatif.
Hasil pengujian menunjukkan bahwa kombinasi model (ensemble) memberikan kinerja yang lebih baik dibandingkan masing-masing algoritma: akurasi ensemble mencapai 79,09%, melebihi Naive Bayes (75,82%) dan Random Forest (71,28%). Selain metrik akurasi, analisis dan visualisasi matriks kebingungan (misalnya, word cloud) membantu mengidentifikasi tema yang sering muncul, seperti masalah harga, ketersediaan, dan implikasi industri dari temuan, yang memperkaya pemahaman kuantitatif tentang opini publik. Kontribusi utama dari makalah ini adalah: (1) pemetaan sentimen publik terhadap kasus bahan bakar palsu di Platform X berdasarkan 1.324 tweet; (2) evaluasi komparatif kinerja Naive Bayes, Random Forest, dan ensemble voting dalam konteks bahasa Indonesia; dan (3) rekomendasi teknis untuk perbaikan model, seperti penambahan data pelatihan dan integrasi deteksi sarkasme atau pemodelan topik untuk membuat pemantauan opini publik di masa depan lebih akurat dan bermakna. Paragraf-paragraf berikut akan menjelaskan secara sistematis kerangka teoritis, metodologi, hasil eksperimen, dan implikasi praktis.

• Analisis Sentimen
• BBM Oplos
• Twitter

https://repository.bsi.ac.id/repo/66215/Jurnal-ANALISIS-SENTIMEN-MASYARAKAT-DI-PLATFORM-X-(TWITTER)-TERHADAP-KASUS-BBM-OPLOS-PERTAMINA-MENGGUNAKAN-ALGORITMA-NAIVE-BAYES-DAN-RANDOM-FOREST
File full-text dikunci.