Perbandingan Algoritma Naïve Bayes, Support Vector Machine, dan Random Forest dalam Analisis Sentimen Komentar Youtube terhadap UU TNI

Authors

  • Zikri Hanif Universitas Islam Negeri Sulthan Thaha Saifuddin Jambi
  • Andreo Yudertha Universitas Islam Negeri Sulthan Thaha Saifuddin Jambi

DOI:

https://doi.org/10.69693/ijmst.v5i1.14554

Keywords:

Sistem Informasi, Penjualan Karet, UPPB, Website, Waterfall

Abstract

Platform YouTube menjadi tempat perdebatan publik yang dapat memfasilitasi penggunanya dalam mengutarakan pandangan secara bebas. Undang-Undang Tentara Nasional Indonesia (UU TNI) yang ditetapkan pada tahun 2025 menimbulkan perdebatan publik secara luas, terutama di platform media sosial YouTube. Isu utama dalam penelitian ini adalah bagaimana mengidentifikasi sentimen publik terhadap revisi UU TNI secara akurat serta menentukan algoritma machine learning yang memiliki performa terbaik dalam mengklasifikasikan opini publik berbahasa Indonesia di media sosial. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap revisi UU TNI serta mengkomparasikan kinerja algoritma yang paling baik. Metode yang digunakan meliputi pengumpulan data sebanyak 14.898 komentar YouTube menggunakan kata kunci "UU TNI", "Revisi UU TNI", dan "Undang-Undang TNI". Selanjutnya dilakukan tahap preprocessing data dan pelabelan menggunakan tiga metode, yaitu pelabelan manual (ground truth), pelabelan otomatis menggunakan InSet Lexicon, dan pseudo labeling berbasis IndoBERT. Setelah itu, data diklasifikasikan menggunakan algoritma Naïve Bayes, Support Vector Machine (SVM), dan Random Forest. Hasil penelitian menunjukkan bahwa sentimen publik didominasi oleh sentimen netral dan negatif, sedangkan sentimen positif memiliki jumlah yang lebih sedikit. Hasil perbandingan ketiga metode pelabelan menunjukkan bahwa skenario pseudo labeling berbasis IndoBERT menghasilkan performa klasifikasi terbaik. Selain itu, algoritma Support Vector Machine (SVM) menunjukkan performa terbaik secara keseluruhan dengan memperoleh akurasi sebesar 82,19% dan Macro F1-Score sebesar 0,75 pada skenario pseudo labeling IndoBERT, lebih tinggi dibandingkan Naïve Bayes dan Random Forest.

References

1. Ahmad Dzulhijjah, D., Sanjaya, H., Said Wahyudi Hidayat, A., Yulistia Alwanda, A., & Utami, E. (2023). Perbandingan Metode Random Forest dan KNN pada Analisis Sentimen Twitter. Smart Comp: Jurnalnya Orang Pintar Komputer, 12(3). https://doi.org/10.30591/smartcomp.v12i3.5106

2. Alexander Radja Bria, N., & Witanti, A. (2024). ANALISIS SENTIMEN MASYARAKAT INDONESIA MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE TENTANG PILPRES 2024. JATI (Jurnal Mahasiswa Teknik Informatika), 7(6). https://doi.org/10.36040/jati.v7i6.8184

3. Amrullah, A. (2025). Analisis Sentimen Publik terkait Migrasi Tenaga Kerja Indonesia di Platform X menggunakan SVM-IndoBERT. Jurnal UJMC, 11(1), 53–63.

4. Fathonah, F., & Herliana, A. (2021). Penerapan Text Mining Analisis Sentimen Mengenai Vaksin Covid - 19 Menggunakan Metode Naïve Bayes. Jurnal Sains dan Informatika, 7(2). https://doi.org/10.34128/jsi.v7i2.331

5. Fikri, M. I., Sabrila, T. S., & Azhar, Y. (2020). Perbandingan Metode Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter. SMATIKA JURNAL, 10(02). https://doi.org/10.32664/smatika.v10i02.455

6. google. (2023). Google Colaboratory. https://colab.research.google.com/.

7. Haikal, M., Martanto, M., & Hayati, U. (2024). ANALISIS SENTIMEN TERHADAP PENGGUNAAN APLIKASI GAME ONLINE PUBG MOBILE MENGGUNAKAN ALGORITMA NAIVE BAYES. JATI (Jurnal Mahasiswa Teknik Informatika), 7(6). https://doi.org/10.36040/jati.v7i6.8174

8. Hormansyah, D. S., Rahutomo, F., & Aulia, I. (2018). PENERAPAN METODE TF-IDF DAN N-GRAM PADA PENGEMBANGAN APLIKASI CHATBOT BERBASIS LINE UNTUK LAYANAN PUBLIK KESEHATAN DI KOTA MALANG. Jurnal Informatika Polinema, 5(1). https://doi.org/10.33795/jip.v5i1.233

9. Isnain, A. R., Sakti, A. I., Alita, D., & Marga, N. S. (2021). SENTIMEN ANALISIS PUBLIK TERHADAP KEBIJAKAN LOCKDOWN PEMERINTAH JAKARTA MENGGUNAKAN ALGORITMA SVM. Jurnal Data Mining dan Sistem Informasi, 2(1). https://doi.org/10.33365/jdmsi.v2i1.1021

10. Janati Firda. (2025, April 24). Akademikus Bicara Bahaya TNI Masuk Kampus | tempo.co. https://www.tempo.co/politik/akademikus-bicara-bahaya-tni-masuk-kampus-1227910

11. Krisdiyanto, T. (2021). Analisis Sentimen Opini Masyarakat Indonesia Terhadap Kebijakan PPKM pada Media Sosial Twitter Menggunakan Naïve Bayes Clasifiers. Jurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer dan Teknologi Informasi, 7(1). https://doi.org/10.24014/coreit.v7i1.12945

12. Putra, A. P., Alivia, A. N., Meilani, M., Azzahra, N. J., & Rakhmawati, N. A. (2023). ANALISIS SENTIMEN WARGA TWITTER TERHADAP GAME SHOPEE COCOKI DENGAN METODE NAIVE BAYES CLASSIFIER. Jurnal Ilmiah Informatika Komputer, 28(2). https://doi.org/10.35760/ik.2023.v28i2.9494

13. Suharsono, J. P., & Nurahman, D. (2024). Pemanfaatan Youtube Sebagai Media Peningkatan Pelayanan Dan Informasi. Ganaya : Jurnal Ilmu Sosial dan Humaniora, 7(1). https://doi.org/10.37329/ganaya.v7i1.3157

14. Suryani, I., Handar, M., Ekasuci, R., Bina Sarana Informatika, U., & Studi Penyiaran, P. (2020). PEMANFAATAN MEDIA SOSIAL SEBAGAI MEDIA PROMOSI BAGI RADIO MERSI 93.9 FM. Journal Komunikasi, 11(1). https://doi.org/10.31294/jkom

15. Tinaliah, T., & Elizabeth, T. (2022). Analisis Sentimen Ulasan Aplikasi PrimaKu Menggunakan Metode Support Vector Machine. JATISI (Jurnal Teknik Informatika dan Sistem Informasi), 9(4). https://doi.org/10.35957/jatisi.v9i4.3586

Downloads

Published

03-11-2026

How to Cite

Hanif, Z., & Yudertha, A. (2026). Perbandingan Algoritma Naïve Bayes, Support Vector Machine, dan Random Forest dalam Analisis Sentimen Komentar Youtube terhadap UU TNI. Indonesian Journal of Multidisciplinary on Social and Technology, 5(1), 102–116. https://doi.org/10.69693/ijmst.v5i1.14554