Analisis Sentimen terhadap Perencanaan Pemilu Elektronik di Indonesia Menggunakan Pendekatan Soft Voting Ensemble

I Putu Dennis Prana Arta; Putu Hendra Suputra; I Gusti Ayu Agung Diatri Indradewi

doi:10.31004/riggs.v5i2.10298

Authors

I Putu Dennis Prana Arta Universitas Pendidikan Ganesha
Putu Hendra Suputra Universitas Pendidikan Ganesha
I Gusti Ayu Agung Diatri Indradewi Universitas Pendidikan Ganesha

DOI:

https://doi.org/10.31004/riggs.v5i2.10298

Keywords:

Analisis Sentimen, Pemilu Elektronik, Soft Voting Ensemble, Topic Modeling, Latent Dirichlet Allocation, Visualisasi Dashboard

Abstract

Pemilu elektronik merupakan salah satu inovasi yang berpotensi meningkatkan efisiensi, transparansi, dan akurasi dalam penyelenggaraan pemilihan umum. Namun, implementasinya masih menimbulkan beragam tanggapan dari masyarakat yang banyak disampaikan melalui media sosial. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap implementasi pemilu elektronik di Indonesia menggunakan metode Soft Voting Ensemble. Penelitian menerapkan kerangka kerja CRISP-DM dengan memanfaatkan data yang diperoleh dari platform X dan TikTok. Dari 9.715 data yang berhasil dikumpulkan, diperoleh 3.979 data relevan setelah proses seleksi, yang kemudian dilabeli secara manual oleh tiga ahli bahasa Indonesia menjadi 1.446 sentimen positif dan 2.533 sentimen negatif. Tahapan penelitian meliputi preprocessing, pembobotan TF-IDF, penanganan ketidakseimbangan data menggunakan Borderline-SMOTE, klasifikasi menggunakan Logistic Regression, Random Forest, dan Soft Voting Ensemble, serta evaluasi menggunakan confusion matrix dan 5-Fold Cross Validation. Hasil penelitian menunjukkan bahwa model Soft Voting Ensemble dengan optimasi awal dan Borderline-SMOTE menghasilkan performa terbaik dengan akurasi sebesar 80,78%. Selain itu, analisis topik menggunakan Latent Dirichlet Allocation (LDA) berhasil mengidentifikasi topik-topik dominan yang memengaruhi sentimen positif dan negatif masyarakat terhadap pemilu elektronik. Hasil penelitian juga diimplementasikan dalam bentuk dashboard interaktif untuk mendukung visualisasi dan pemanfaatan informasi oleh pemangku kepentingan. Temuan penelitian menunjukkan bahwa pendekatan Soft Voting Ensemble efektif dalam menganalisis sentimen publik terhadap implementasi pemilu elektronik di Indonesia.

Downloads

Download data is not yet available.

References

[1] M. T. Junindri, Gusliana, and M. Rauf, “Pengaturan Electronic Voting ( E-Voting ) Sebagai Perwujudan Asas Langsung, Umum, Bebas, Rahasia, Jujur dan Adil Dalam Pemilihan Umum (Pemilu ) Ditinjau Dari Sistem Ketatanegaraan Indonesia,” J. Ilm. Wahana Pendidik., vol. 10, pp. 773–781, 2024.

[2] A. Setiawan, “Penerapan Sistem E-Voting Pada Era Society 5.0 Sebagai Hasil Putusan Mahkamah Konstitusi Nomor 147/Puu-Vii/2009,” Maj. Huk. Nas., vol. 53, no. 1, pp. 50–71, 2023.

[3] M. R. Adipratama and N. Safriadi, “Analisis Sentimen Terhadap Rencana Penerapan E-Voting Pada Pemilu di Indonesia,” J. Linguist. Komputasional, vol. 7, no. 1, pp. 26–30, 2024, doi: 10.26418/jlk.v7i1.214.

[4] D. Ardiansyah, A. Saepudin, R. Aryanti, E. Fitriani, and Royadi, “Analisis Sentimen Review Pada Aplikasi Media Sosial Tiktok Menggunakan Algoritma K-Nn Dan Svm Berbasis Pso,” J. Inform. Kaputama, vol. 7, no. 2, pp. 233–241, 2023, doi: 10.59697/jik.v7i2.148.

[5] P. B. Patil, “Sentiment Analysis in Twitter Data 1,” vol. 10, no. 7, pp. 539–543, 2022.

[6] A. Arham, E. R. Swedia, M. Cahyanti, and M. R. D. Septian, “Implementasi Sentiment Analysis Pada Opini Masyarakat Indonesia Di Twitter Terhadap Virus Covid-19 Varian Omicron Dengan Algoritma Naïve Bayes, Decision Tree, Dan Support Vector Machine,” Sebatik, vol. 26, no. 2, pp. 565–572, 2022, doi: 10.46984/sebatik.v26i2.1961.

[7] I. P. D. W. Darmawan, G. A. Pradnyana, and I. B. N. Pascima, “Optimasi Parameter Support Vector Machine Dengan Algoritma Genetika Untuk Analisis Sentimen Pada Media Sosial Instagram,” SINTECH (Science Inf. Technol. J., vol. 6, no. 1, pp. 58–67, 2023, doi: 10.31598/sintechjournal.v6i1.1245.

[8] S. A. Assaidi and F. Amin, “Analisis Sentimen Evaluasi Pembelajaran Tatap Muka 100 Persen pada Pengguna Twitter menggunakan Metode Logistic Regression,” J. Pendidik. Tambusai, vol. 6, no. 2, pp. 13217–13227, 2022.

[9] M. R. F. Rahmatullah, P. N. Andono, and M. A. Soeleman, “Improving Random Forest Performance for Sentiment Analysis on Unbalanced Data Using SMOTE and BoW Integration : PLN Mobile Application Case Study,” vol. 12, no. 1, pp. 1–10, 2025, doi: 10.15294/sji.v12i1.19295.

[10] S. R. Aisy and B. Prasetiyo, “Sentiment Analysist of the TPKS Law on Twitter Using InSet Lexicon with Multinomial Naïve Bayes and Support Vector Machine Based on Soft Voting,” Recursive J. Informatics, vol. 1, no. 2, pp. 93–101, 2023, doi: 10.15294/rji.v1i2.68324.

[11] M. Ma’ruf, A. P. Kuncoro, P. Subarkah, and F. Nida, “Sentiment analysis of customer satisfaction levels on smartphone products using Ensemble Learning,” Ilk. J. Ilm., vol. 14, no. 3, pp. 339–347, 2022, doi: 10.33096/ilkom.v14i3.1377.339-347.

[12] A. A. Ilham, E. Warni, and Pahrul, “Soft Voting Classifier With Optimized Weight Using Particle Swarm Optimization on Sentiment Analysis for Online Credit and Loan Application Reviews,” Int. J. Innov. Comput. Inf. Control, vol. 20, no. 2, pp. 359–372, 2024, doi: 10.24507/ijicic.20.02.359.

[13] T. Triwiyanto, A. Rizal, and W. Caesarendra, Proceeding of the 3rd International Conference on Electronics, Biomedical Engineering, and Health Informatics, vol. 1008. 2023. [Online]. Available: https://link.springer.com/10.1007/978-981-99-0248-4

[14] T. D. Dikiyanti, A. M. Rukmi, and M. I. Irawan, “Sentiment analysis and topic modeling of BPJS Kesehatan based on twitter crawling data using Indonesian Sentiment Lexicon and Latent Dirichlet Allocation algorithm,” J. Phys. Conf. Ser., vol. 1821, no. 1, 2021, doi: 10.1088/1742-6596/1821/1/012054.

[15] R. R. Salam, M. F. Jamil, Y. Ibrahim, R. Rahmaddeni, S. Soni, and H. Herianto, “Analisis Sentimen Terhadap Bantuan Langsung Tunai (BLT) Bahan Bakar Minyak (BBM) Menggunakan Support Vector Machine,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 1, pp. 27–35, 2023, doi: 10.57152/malcom.v3i1.590.

[16] Y. A. Prasetyo, E. Utami, and A. Yaqin, “Pengaruh Komposisi Split Data Terhadap Performa Akurasi Analisis Sentimen Algoritma Naïve Bayes dan SVM,” vol. 6, no. 2, pp. 382–390, 2024, doi: 10.33650/jeecom.v4i2.

[17] R. Arifudin, D. Indra Wijaya, B. Warsito, and A. Wibowo, “Voting Classifier Technique and Count Vectorizer with N-gram to Identify Hate Speech and Abusive Tweets in Indonesian,” Sci. J. Informatics, vol. 10, no. 4, p. 469, 2023, doi: 10.15294/sji.v10i4.46633.

[18] N. Sedana, S. Wijaya, and R. Artana, “ENGLISH SENTIMENT ANALYSIS USING THE LSTM METHOD CASE STUDY OF,” vol. 11, no. 6, 2024, doi: 10.25126/jtiik.2024118792.