ANALISIS SENTIMEN OPINI WARGANET TERHADAP PENDIDIKAN MILITER BAGI PELAJAR MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE

Authors

  • Nuzul Karimah Fitrah Politeknik TEDC Bandung
  • Novita Lestari Anggreini Politeknik TEDC Bandung

DOI:

https://doi.org/10.31849/4ggj4c78

Keywords:

Analisis Sentimen, TikTok, Pendidikan Militer, Support Vector Machine, Opini Warganet

Abstract

Perkembangan media sosial, khususnya TikTok, telah menjadi ruang diskusi publik yang sarat opini terkait berbagai isu sosial dan kebijakan pemerintah. Salah satunya adalah program pendidikan militer bagi pelajar di Jawa Barat yang menimbulkan pro dan kontra di kalangan masyarakat. Penelitian ini bertujuan untuk menganalisis sentimen warganet terhadap program tersebut dengan mengklasifikasikan opini ke dalam kategori positif, negatif, dan netral. Data komentar diperoleh melalui crawling menggunakan APIfy TikTok Scraper dengan total 1.147 komentar. Tahapan penelitian meliputi preprocessing teks (case folding, cleansing, tokenisasi, stopword removal, stemming, dan normalisasi), ekstraksi fitur menggunakan TF-IDF, serta klasifikasi menggunakan algoritma Support Vector Machine (SVM) [1]. Hasil penelitian menunjukkan bahwa sentimen netral mendominasi sebesar 70,1%, disusul sentimen positif sebesar 28,6%, dan negatif hanya 1,3%. Evaluasi model menghasilkan tingkat akurasi yang baik, sehingga SVM terbukti efektif dalam menganalisis opini warganet berbasis teks di media sosial. Temuan ini diharapkan dapat menjadi masukan bagi pemerintah, khususnya dalam mengevaluasi kebijakan pendidikan militer, sekaligus memperkaya kajian penerapan analisis sentimen di bidang kebijakan publik.

References

[1] D. Andriyani, M. A. Ramdhani, dan E. Kurniawan, "Analisis sentimen menggunakan TF-IDF untuk klasifikasi teks," Jurnal Informatika, vol. 10, no. 2, hlm. 45–52, 2023.

[2] A. P. Astuti, S. Alam, dan I. Jaelani, "Komparasi algoritma Support Vector Machine dengan Naive Bayes untuk analisis sentimen pada aplikasi BRImo," Jurnal Bangkit Indonesia, vol. 11, no. 2, hlm. 1–7, 2022.

[3] D. Wahyuni dan T. Ramadhan, "Studi komparatif preprocessing teks untuk analisis sentimen pada media sosial," Jurnal Penelitian Teknologi Informasi, vol. 12, no. 3, hlm. 150–159, 2021.

[4] S. A. Putri dan A. Nugroho, "Evaluasi performa algoritma klasifikasi menggunakan metrik akurasi, presisi, recall, dan F1-score," Jurnal Sistem Komputer, vol. 10, no. 4, hlm. 55–63, 2020.

[5] F. Baharuddin dan A. Tjahyanto, "Peningkatan performa klasifikasi machine learning melalui perbandingan metode machine learning dan peningkatan dataset," Jurnal Sisfokom (Sistem Informasi dan Komputer), vol. 11, no. 1, hlm. 25–31, 2022.

[6] N. F. Budiarti, A. Riandhita, N. Audra, dan S. Tally, "Preferensi Gen Z terhadap kemajuan teknologi pada aplikasi TikTok dan YouTube," Proceeding Universitas Negeri Surabaya, vol. 1, no. 1, hlm. 501–508, 2022.

[7] L. Rahmawati dan A. Hasan, "Analisis data untuk pengambilan keputusan menggunakan algoritma machine learning," Jurnal Sistem Informasi, vol. 14, no. 2, hlm. 70–78, 2023.

[8] R. Hidayat dan N. Yuliani, "Penerapan analisis sentimen untuk media sosial TikTok menggunakan pendekatan machine learning," Jurnal Ilmu Komputer dan Aplikasi, vol. 15, no. 2, hlm. 89–97, 2023.

[9] A. A. Devi, "Pemanfaatan aplikasi TikTok sebagai media pembelajaran," Jurnal Epistema, vol. 3, no. 1, hlm. 1–17, 2022.

[10] M. Sahir, "Pendekatan penarikan kesimpulan berdasarkan bukti penelitian," Jurnal Penelitian dan Evaluasi, vol. 9, no. 1, hlm. 22–29, 2021.

[11] W. Ningsih, B. Alfianda, R. Rahmaddeni, dan D. Wulandari, "Perbandingan algoritma SVM dan Naive Bayes dalam analisis sentimen Twitter pada penggunaan mobil listrik di Indonesia," MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 2, hlm. 57–562, 2024.

[12] F. Sari dan A. Prasetyo, "Implementasi klasifikasi teks pada media sosial menggunakan algoritma SVM," Jurnal Informatika Terapan, vol. 7, no. 1, hlm. 35–44, 2021.

[13] R. Putra dan T. Hartono, "Analisis sentimen opini publik terhadap kebijakan pemerintah," Jurnal Teknologi Informasi dan Komunikasi, vol. 8, no. 3, hlm. 77–85, 2020.

[14] D. Lestari dan P. Nugraha, "Evaluasi performa machine learning untuk klasifikasi teks berita," Jurnal Sistem Informasi dan Komputer, vol. 12, no. 2, hlm. 66–74, 2022.

[15] M. Santoso dan R. Handoko, "TF-IDF dan teknik ekstraksi fitur pada analisis teks," Jurnal Ilmu Komputer Indonesia, vol. 5, no. 3, hlm. 21–30, 2020.

[16] R. P. Sari, “Apa itu Data Mining? Pengertian, Metode dan Penerapannya,” Cloud Computing Indonesia. [Online]. Available: https://www.cloudcomputing.id/pengetahuan-dasar/apa-itu-data-mining

[17] N. L. W. S. R. Ginantra et al., Data Mining dan Penerapan Algoritma. Yayasan Kita Menulis, 2021.

[18] M. A. Muslim et al., Data Mining Algoritma C4.5 Disertai contoh kasus dan penerapannya dengan program komputer, vol. 11, no. 1. Semarang, 2019.

[19] S. Hendrian, “Algoritma Klasifikasi Data Mining Untuk Memprediksi Siswa Dalam Memperoleh Bantuan Dana Pendidikan,” Fakt. Exacta, vol. 11, no. 3, pp. 266–274, 2018, doi: 10.30998/faktorexacta.v11i3.2777.

[20] F. Baharuddin and A. Tjahyanto, “Peningkatan Performa Klasifikasi Machine Learning Melalui Perbandingan Metode Machine Learning dan Peningkatan Dataset,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 11, no. 1, pp. 25–31, 2022, doi: 10.32736/sisfokom.v11i1.1337

[21] W. Ningsih, B. Alfianda, 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. 557–562, 2024, doi: 10.57152/malcom.v4i2.1253.

Downloads

Published

2025-09-29

Issue

Vol. 7 No. 3 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode September 2025

Section

Articles

License

Copyright (c) 2025 ZONAsi: Jurnal Sistem Informasi

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

CC BY-SA 4.0


Attribution-ShareAlike 4.0

You are free to:

  1. Share — copy and redistribute the material in any medium or format for any purpose, even commercially.
  2. Adapt — remix, transform, and build upon the material for any purpose, even commercially.
  3. The licensor cannot revoke these freedoms as long as you follow the license terms.

Under the following terms:

  1. Attribution — You must give appropriate credit , provide a link to the license, and indicate if changes were made . You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
  2. ShareAlike — If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
  3. No additional restrictions — You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.

Notices:

You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation .

No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.

How to Cite

[1]
“ANALISIS SENTIMEN OPINI WARGANET TERHADAP PENDIDIKAN MILITER BAGI PELAJAR MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE”, zn, vol. 7, no. 3, pp. 862–873, Sep. 2025, doi: 10.31849/4ggj4c78.