JIKA (Jurnal Informatik.
Universitas Muhammadiyah Tangerang Vol 10.
No 1.
Januari 2026, pp 67-75
P ISSN : 2549-0710
E ISSN : 2722-2713
ANALISIS SENTIMEN PENGAMBILALIHAN ASET PASCA DEMO
DENGAN METODE NAyaVE BAYES Abbashalom Radja.
Karina Auliasari.
Febriana Santi Wahyuni.
1,2,3 Teknik Informatika.
Teknologi Industri.
Institut Teknologi Nasional Malang Jln.
Raya Karanglo Km.
2 Malang.
Jawa Timur, 65145 Co Responden Email: shalomradjaa@gmail.
Abstract Article history Received 11 Dec 2025 Revised 30 Dec 2025 Accepted 20 Jan 2026 Available online 31 Jan 2026 Keywords Sentiment Analysis.
Nayve Bayes.
Public Opinion.
Asset Seizure.
Social Media.
This study discusses the issue of public sentiment toward the seizure of public officialsAo assets following the 2025 protest wave in Indonesia.
This study aims to recognize and sort public opinions posted on social media platform X .
ormerly Twitte.
sorted into three distinct attitudes classes positive, neutral, and negative using the Nayve Bayes algorithm.
The research data was gathered using relevant keywords concerning asset forfeiture and looting, then underwent text preprocessing procedures such as tokenization, normalization, stopword filtering, and stemming.
TF-IDF scoring was subsequently implemented before conducting sentiment analysis.
The effectiveness of the model was evaluated using statistical measures such as accuracy, precision, recall, and F1-index indicators reveals that the Nayve Bayes approach efficiently sorts public opinions and recognizes the predominant sentiment trend.
The study discovered that negative sentiment prevails, reflecting significant public criticism of post-demonstration asset These outcomes suggest that Nayve Bayes represents a practical solution for analyzing public perspectives on social and political topics in Indonesia.
Abstrak Riwayat Diterima 11 Des 2025 Revisi 30 Des 2025 Disetujui 20 Jan 2026 Terbit online 31 Jan 2026 Kata Kunci Analisis Sentimen.
Nayve Bayes.
Opini Publik.
Pengambilalihan aset.
Sosial Media.
Penelitian ini membahas isu sentimen publik terhadap pengambilalihan aset milik pejabat publik setelah gelombang protes tahun 2025 di Indonesia.
Penelitian ini bertujuan untuk mengenali serta mengelompokkan opini masyarakat yang diunggah di media sosial X (Twitte.
ke kategori positif, negatif, netral menggunakan algoritma Nayve Bayes.
Dataset dikumpulkan melalui kata kunci terkait isu penjarahan dan pengambilalihan aset, kemudian diproses melalui tahapan tokenisasi, normalisasi, penghapusan stopword, dan Pembobotan TF-IDF diterapkan sebelum dilakukan klasifikasi Hasil pengujian dievaluasi melalui ukuran kinerja menggunakan akurasi, presisi, recall.
F1-score menunjukkan algoritma Nayve Bayes mampu mengklasifikasikan opini dengan baik dan mengidentifikasi sentimen dominan.
Analisis menunjukkan bahwa sentimen negatif lebih mendominasi, mencerminkan ketidaksetujuan masyarakat terhadap pengambilalihan aset pasca protes.
Temuan ini terbukti bahwa metode Nayve Bayes efektif digunakan untuk memahami persepsi publik terhadap isu sosial dan politik di Indonesia.
PENDAHULUAN
Gelombang demonstrasi yang terjadi di Indonesia pada tahun 2025 memunculkan dampak sosial yang luas dan berkelanjutan.
Setelah aksi protes mereda, sebagian massa melakukan pengambilalihan atau penjarahan aset milik pejabat publik serta fasilitas umum.
Fenomena ini memicu kekhawatiran sosial, kerugian ekonomi, dan menurunnya rasa aman masyarakat terhadap perlindungan aset pribadi Kondisi mencerminkan pergeseran pola protes di Indonesia, di mana gerakan sosial tidak hanya bertujuan menyuarakan aspirasi politik, tetapi juga dapat berkembang menjadi tindakan kolektif yang berpotensi mengancam stabilitas JIKA | 67 Copyright @2026 JIKA (Jurnal of Informatic.
Licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License JIKA (Jurnal Informatik.
Universitas Muhammadiyah Tangerang Vol 10.
No 1.
Januari 2026, pp 67-75 sosial dan kepercayaan publik terhadap Dalam konteks ini, penting untuk memahami bagaimana persepsi masyarakat terbentuk terhadap isu pengambilalihan aset pasca demonstrasi.
Pendapat masyarakat menjadi peran penting dalam membangun legitimasi sosial dan menentukan arah Dengan menggunakan metode analisis sentimen, perspektif masyarakat dapat diklasifikasikan secara terstruktur ke kategori positif, negatif.
Pendekatan analisis seperti ini mampu menggambarkan sejauh mana masyarakat mendukung atau menentang isu-isu sosial politik tertentu, serta dapat dijadikan landasan bagi para pengambil keputusan untuk menyusun strategi komunikasi publik yang lebih tepat sasaran.
Studi ini menerapkan algoritma Nayve Bayes, yaitu sebuah teknik klasifikasi yang berdasarkan pada probabilitas dengan karakteristik sederhana tetapi efektif untuk mengolah data teks dalam jumlah besar.
Beberapa riset sebelumnya telah membuktikan keampuhan pendekatan ini.
Amini dan Setiawan .
berhasil menerapkan Nayve Bayes dalam analisis opini masyarakat terhadap calon wakil presiden 2024 dengan akurasi 82,19%.
Penelitian lain oleh Mantika et al.
menunjukkan bahwa Nayve Bayes tetap kompetitif dibandingkan metode lain seperti Logistic Regression.
Sementara itu.
Gunawan et al.
menunjukkan mengklasifikasikan opini politik di media sosial dengan akurasi 85%.
Berdasarkan temuan-temuan tersebut, penelitian dilakukan guna menganalisis sentimen masyarakat di media sosial X (Twitte.
terhadap isu pengambilalihan aset pasca gelombang protes 2025.
Melalui pendekatan text mining dan pembobotan TFIDF, data teks publik diolah menjadi informasi terstruktur yang dapat digunakan untuk mengukur persepsi sosial secara kuantitatif.
Tujuan penelitian ini adalah untuk masyarakat, mengukur performa algoritma Nayve Bayes dalam klasifikasi opini, serta memberikan gambaran empiris mengenai arah pengambilalihan aset.
Hasil temuan dari studi
P ISSN : 2549-0710
E ISSN : 2722-2713
ini diharapkan dapat memberikan kontribusi pada pengembangan analisis sentimen di ranah sosial dan politik dan menjadi referensi dalam pemanfaatan teknologi pemrosesan bahasa alami (Natural Language Processin.
di Indonesia
METODE PENELITIAN
Dalam pelaksanaannya, penelitian ini mengadopsi pendekatan kuantitatif yang dianalisis menggunakan metode analisis sentimen yang berbasis pada pembelajaran Objek penelitian adalah opini publik di media sosial X yang berkaitan dengan isu pengambilalihan aset pejabat publik pasca gelombang protes tahun 2025.
Proses pengumpulan data dibuat melalui teknik web crawling dengan menggunakan kata kunci sesuai, kemudian data tersebut dikelompokkan ke tiga kategori sentiment .
ositif, netral.
Rangkaian kegiatan penelitian mencakup tahap pengumpulan data, prapemrosesan teks, penerapan pembobotan TFIDF, proses klasifikasi dengan algoritma Nayve Bayes, serta penilaian performa model melalui confusion matrix yang menggunakan parameter akurasi, presisi, recall, dan F1score.
Kerangka metodologi penelitian ini terbagi menjadi tujuh fase pokok, seperti yang terlihat pada Gambar 1.
Fase-fase tersebut mencakup seluruh proses mulai dari pengumpulan data sampai dengan penilaian kinerja model klasifikasi sentimen.
Gambar 1.
Tahapan metode uji data Alur dari aplikasi pertama dilakukannya pengumpulan data adalah mengumpulkan data dari platform media sosial dengan melakukan pencarian berdasarkan kata kunci yang Klasifikasi: Informasi yang diambil dari media sosial dikategorikan berdasarkan sentimen menjadi kelompok positif, negatif, atau netral.
Prapemrosesan: Pada tahap ini, teks dibersihkan, dinormalisasi, dipecah JIKA | 68 Copyright @2026 JIKA (Jurnal of Informatic.
Licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License JIKA (Jurnal Informatik.
Universitas Muhammadiyah Tangerang Vol 10.
No 1.
Januari 2026, pp 67-75 menjadi bagian-bagian kecil .
, dan dibersihkan dari kata-kata umum .
top word.
Sastrawi.
Ekstraksi Fitur: Dengan metode TF-IDF (Term Frequency-Inverse Document Frequenc.
, teks diubah menjadi bentuk numerik untuk analisis lebih mendalam.
Pembagian Dataset:
Data dibagi menjadi subset yang digunakan untuk pelatihan dan pengujian model.
Pembentukan Model: Algoritma Multinomial Naive Bayes dilatih menggunakan data pelatihan untuk mendeteksi pola sentimen.
Evaluasi: Model diuji dengan data pengujian.
Proses evaluasi ini melibatkan penghitungan akurasi, presisi, recall, dan F1-score untuk menilai seberapa baik model berfungsi.
Aplikasi ini mengotomatisasi seluruh proses ini guna melakukan analisis sentimen dengan cara yang efisien dan sistematis.
Data Selection Sumber informasi yang digunakan yakni data utama diambil dari media sosial X (Twitte.
dengan Teknik Crawling.
Crawling dataset didasarkan pada kata kunci seperti Aupengambilalihan aset pejabatAy.
Aupenjarahan properti pejabatAy.
Auprotes 2025Ay, dan Aupengambilalihan aset pasca demonstrasiAy.
Tweet yang dikumpulkan adalah unggahan berbahasa Indonesia dengan rentang waktu Setelah proses pengumpulan, data disimpan dalam format CSV dengan atribut tweet, tanggal, username, dan label.
Data Labeling Labeling dilakukan secara manual pada data training.
Tweet dikategorikan menjadi .
, netral .
, dan negatif .
enolak atau berkonotasi kecama.
Preprocessing Tahapan ini mencakup beberapa tahapan : .
Cleaning karakter khusus seperti mention, hashtag, dan URL.
Case Folding.
Tokenizing.
Stopword Removal.
Stemming.
Berikut tahap-tahap prepocessing:
Cleaning Pada tahap ini bertujuan mengubah data raw atau mentah .
asil scrapin.
menjadi teks bersih dari elemen yang tidak relevan.
P ISSN : 2549-0710
E ISSN : 2722-2713
Case Folding Tahap ini merubah huruf besar pada teks menjadi huruf kecil, membantu menghindari perbedaan antar huruf besar kecil saat Tokenizing Setelah Case Folding untuk memecah teks panjang menjadi perkata .
er kata atau per fras.
agar mudah dilanjutkan ke proses Stopword Removal Langkah selanjutnya berfungsi guna menghilangkan kata-kata di daftar stopwords.
Stopwords merupakan kata-kata biasanya tidak diperhatikan pada analisis teks, seperti "dan", "di", "itu".
Dengan membuang stopwords, model dapat lebih memusatkan perhatian ke kata-kata lebih penting.
Stemming Tahapan merubah setiap kata kemudian .
Ini serupa dengan lematisasi, tetapi lebih agresif dalam menghapus akhiran Lemmatization Tahapan ini merubah sebuah teks kembali ke kata dasarnya .
Guna mempermudah menyaring kata dasarnya.
Feature Extraction Tahap ini melibatkan penggunaan metode TF-IDF (Term FrequencyAeInverse Document Frequenc.
, merupakan teknik memberikan nilai atau bobot pada kata-kata untuk mengubah bentuk teks menjadi data numerik.
Bobot yang diperoleh ini kemudian (Natasuwarna, 2.
TF-IDF terdiri dari dua komponen: frekuensi istilah (TF) dan frekuensi dokumen terbalik (IDF).
mengukur frekuensi kemunculan suatu kata pada suatu dokumen.
makin tinggi tingkat kemunculan istilah tersebut, maka bobot TF yang dihasilkan pun meningkat.
Komponen IDF menghitung seberapa sering sebuah kata muncul di keseluruhan korpus teks, dan nilainya akan berbanding terbalik dengan jumlah dokumen yang mengandung kata itu.
Jika sebuah istilah tersebut muncul di sejumlah JIKA | 69 Copyright @2026 JIKA (Jurnal of Informatic.
Licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License JIKA (Jurnal Informatik.
Universitas Muhammadiyah Tangerang Vol 10.
No 1.
Januari 2026, pp 67-75 besar dokumen, nilai IDF-nya akan semakin mendekati 0 (Winarti et.
, 2.
Data Splitting Setelah melakukan preprocessing, data dibagi menjadi dua, 80% data training, 20% data testing.
Pemisahan dilakukan secara acak dengan parameter random_state yakni 42 agar hasil dapat direproduksi.
Modeling Setelah melakukan data splitting.
Model adalah Multinomial Nayve Bayes.
Berdasarkan prinsip teorema Bayes dengan asumsi Model dibangun menggunakan data training, dan dilakukan pelatihan untuk menghasilkan probabilitas tiap kelas sentimen.
Dengan menggunakan rumus teorema Bayes berikut :
ycU) = ycE .
cU) y ycE.
cU) .
Pada persamaan .
diteorema bayes digunakan untuk menghitung probabilitas dalam suatu teks ke kelas tertentu dari katakata yang muncul didalam persamaan tersebut ycE.
ycU) menghitung probabilitas teks ke kelas C setelah diketahui kata-kata ataupun fitur yang muncul tersebut, ycE.
adalah probabilitas kata-kata kemunculuan dalam kelas tertentu seperti ya, ycE.
dari kelas tersebut menunjukan probabilitas prior ataupun awal dari kelas yca sebelum ycU,dan ycy.
merupakan probabilitas kemunculan kata-kata ycU dengan keseluruhan dari kelas tersebut.
Dengan menggunakan persamaan ini, sistem memperbarui keyakinan dari suatu kelas dengan informasi yang ditemukan dalam suatu teks, sehingga memungkinkan ditentukannya seperti positif,negatif, dan netral secara Implementation Dalam fase implementasi, penelitian ini memanfaatkan beberapa alat pengembangan yang bekerja sama untuk mendukung proses analisis sentimen.
Python dipilih sebagai menawarkan pustaka yang cukup lengkap untuk pengolahan teks, termasuk untuk penerapan metode Multinomial Naive Bayes.
P ISSN : 2549-0710
E ISSN : 2722-2713
Aplikasi ini dikembangkan menggunakan Flask, yang dinilai lebih ringan dan mudah disesuaikan dengan kebutuhan sistem berbasis Untuk normalisasi teks berbahasa Indonesia, penelitian ini menggunakan Sastrawi sebagai alat untuk stemming dan penghapusan stopword.
Sementara itu.
MySQL digunakan sebagai media penyimpanan data karena kestabilannya dan kemudahan integrasinya dengan Flask.
Kombinasi perangkat ini diterapkan agar alur pemrosesan data dan pengembangan aplikasi bisa berjalan lebih terstruktur dan sesuai dengan tujuan Evaluation Tahapan evaluasi bertujuan untuk menilai kinerja dari klasifikasi yang diterapkan.
Data diuraikan, prediksi dilakukan ke dalam matriks Perhitungan akurasi, presisi, kemudian recall digunakan untuk menilai performa dari model.
Matriks kebingungan merupakan tabel yang berfungsi sebagai indikator untuk mengetahui jumlah data uji terklasifikasi dengan benar atau salah dari model yang telah diimplementasikan.
Matriks kebingungan terdiri dari beberapa elemen, yakni True Positive (TP).
True Negative (TN).
False Positive (FP), dan False Negative (FN).
TP merupakan hasil prediksi positif yang memang benar-benar memiliki nilai positif, sementara TN adalah hasil prediksi negatif yang sesungguhnya juga bernilai negatif.
sisi lain.
FP menunjukkan hasil prediksi positif meski nilai sebenarnya adalah negatif, dan FN menggambarkan hasil prediksi negatif meskipun nilai aktualnya adalah positif.
Metode pada confusion matrix tersebut digunakan untuk menghitung akurasi, presisi, recall, dan F1-score dengan rumus:
(TP TN)
Akurasi = (TP TN FP FN) .
(TP FP) .
Presisi = ycIyceycaycaycoyco = (TP FN) (Presisi y ycIyceycaycaycoyc.
F1 ycIycaycuycyce = 2 y (Presisi ycIyceycaycaycoyc.
Pada persamaan .
, .
, .
, dan .
, beberapa metrik evaluasi digunakan untuk menilai seberapa baik model klasifikasi bekerja.
JIKA | 70 Copyright @2026 JIKA (Jurnal of Informatic.
Licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License JIKA (Jurnal Informatik.
Universitas Muhammadiyah Tangerang Vol 10.
No 1.
Januari 2026, pp 67-75 terutama dalam mengevaluasi prediksi berdasarkan data sebenarnya.
Persamaan .
menggunakan rumus Akurasi yaycE yaycA).
P ISSN : 2549-0710
E ISSN : 2722-2713
opini publik cenderung memiliki sentimen negatif, yang mencerminkan ketidaksetujuan masyarakat terhadap tindakan mengambil alih aset pejabat publik setelah gelombang protes .
cNycE ycNycA) / .
cNycE ycNycA Tabel 1.
Contoh pelabelan berdasarkan tweet di mana TP (Positif Bena.
merujuk pada jumlah data yang diklasifikasikan dengan tepat sebagai positif.
TN (Negatif Bena.
adalah data yang diklasifikasikan dengan benar sebagai negatif.
FP (Positif Sala.
adalah data yang salah diklasifikasikan sebagai positif, dan FN (Negatif Sala.
adalah data yang salah diklasifikasikan sebagai negatif.
Persamaan .
menjelaskan presisi sebagai:
Label Netral Tweet Polisi Tangkap Pelaku Penjarahan Rumah Menkeu Sri Mulyani https://t.
co/hSz0tl9xVD Negatif @ARSIPAJA Sepertinya ibu ini tidak sadar bahwa dirinya selama ini telah lakukan penjarahan secara masal dan lebih besar besaran pada rakyat ini untuk biayai kelakuan konco konconya di pemerintahan dan Mari Jaga Kondusifitas Tolak Anarkis Penjarahan dan Mari kawal aspirasi dengan cara Damai dan Bermartabat https://t.
co/hq6kMg3X5Y Presisi = ycNycE / .
cNycE yaycE), yang menilai keakuratan model dalam memprediksi data positif di antara semua data yang diprediksi positif.
Persamaan .
mendefinisikan recall sebagai:
Recall = ycNycE / .
cNycE yaycA), yang menyoroti keyakinan model untuk mengidentifikasi keseluruhan data positif yang Sementara itu, persamaan .
adalah F1Score, yang dapat dihitung menggunakan formula F1 Score = 2 y (Presisi y Recal.
/ (Presisi Recal.
, yang berguna untuk mengevaluasi keseimbangan antara presisi dan Keempat metrik ini digunakan secara bersamaan untuk memberikan gambaran yang komprehensif tentang kinerja model, meliputi aspek akurasi, presisi, serta bagaimana model menjaga keseimbangan dalam melaksanakan tugas klasifikasi.
HASIL DAN PEMBAHASAN
Serangkaian pengujian dilakukan pada dataset yang didapatkan dari hasil scraping jejaring sosial Twitter atau X yang mencakup 218 tweet dalam bahasa Indonesia mengenai isu pengambilalihan aset pejabat publik setelah protes besar di tahun 2025.
Dataset ini telah melalui proses anotasi manual dan dibagi menjadi tiga kategori sentimen .
ositif, netral.
Menurut hasil anotasi tersebut, sentimen negatif mendominasi dengan proporsi mencapai 52,3%, diikuti oleh sentimen netral 34,9%, sentimen positif hanya 12,8%.
Distribusi ini mengindikasikan bahwa Analisis Data Dataset menggunakan visualisasi Pie Chart dan Word Cloud agar membantu mempermudah Visualisasi Data Untuk memahami kata yang paling sering muncul di setiap kategori sentimen, dilakukan visualisasi menggunakan Word Cloud.
Gambar berikut menampilkan hasil visualisasi untuk kategori netral.
Model Nayve Bayes diuji pada dataset berjumlah 444 tweet.
Distribusi data menunjukkan bahwa sentimen negatif mendominasi sebesar 52,3%, netral 34,9%, dan positif 12,8%.
Evaluasi model menghasilkan akurasi 73,0%, dengan presisi sebesar 72,6%, recall sebesar 73,0%, dan F1score sebesar 72,1%.
Hasil ini menunjukkan bahwa model mampu mengklasifikasikan opini publik dengan performa yang stabil dan JIKA | 71 Copyright @2026 JIKA (Jurnal of Informatic.
Licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License JIKA (Jurnal Informatik.
Universitas Muhammadiyah Tangerang Vol 10.
No 1.
Januari 2026, pp 67-75
P ISSN : 2549-0710
E ISSN : 2722-2713
Hasil Klasifikasi Nayve Bayes Dalam mengklasifikasikan sentimen ini, algoritma yang digunakan yaitu Multinomial Nayve Bayes dengan pembobotan TF-IDF.
Evaluasi model dilakukan dengan data uji sebanyak 20% dari total dataset.
Dimana hasil pengujian tersebut dalam tabel 2.
Tabel 2.
Laporan hasil klasifikasi sentimen Gambar 2.
Pie chart kategori sentimen Di tahap visualisasi Awan Kata tersebut, dapat menampilkan kata-kata sering munculnya dalam dataset tersebut.
Gambar 3.
Awan kata negatif Sentimen Presisi Recall F1-Score Support Negatif Netral Positif Akurasi Nilai akurasi keseluruhan model mencapai 73,0%, dengan presisi sebesar 0,726%, recall sebesar 0,730%, dan F1-score 0,721%.
Performa memperlihatkan bahwa metode Nayve Bayes berhasil mengelompokkan opini masyarakat dengan tingkat akurasi yang memadai, terutama dalam mengidentifikasi sentimen Confusion Matrix Visualisasi pada confusion matrix dalam Gambar 6 menunjukkan distribusi hasil prediksi model terhadap data aktual.
Gambar 4.
Awan kata netral Gambar 6.
Hasil Gambar Confusion matrix Gambar 5.
Awan kata positif Pada Gambar 3,4 dan 5 bisa dilihat bahwa kata paling sering muncul adalah 'penjarahan', 'rumah', 'fasilitas', 'umum', dan 'aksi'.
Kata-kata ini menunjukkan bahwa wacana publik pengambilalihan aset serta keterlibatan masyarakat dan pejabat publik.
Selain itu, kata seperti 'tegas' dan 'presiden' menandakan munculnya harapan agar pemerintah bersikap tegas dalam menindak aksi tersebut.
Pada Gambar 6, model memiliki performa terbaik dalam mendeteksi sentimen negatif, dengan 203 prediksi benar dari total 232 data aktual.
Namun, model masih kesulitan mengenali kelas positif, hanya 22 data dari 57 data, sebab data untuk kelas tersebut tidak seimbang dalam jumlah data positif dalam pelatihan.
Kelas netral pun menunjukkan 99 tweet dikenali dengan benar dari 155 tweet, menandakan bahwa 30% opini netral berakhir terklasifikasi sebagai negatif.
JIKA | 72
Copyright @2026 JIKA (Jurnal of Informatic.
Licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License JIKA (Jurnal Informatik.
Universitas Muhammadiyah Tangerang Vol 10.
No 1.
Januari 2026, pp 67-75
P ISSN : 2549-0710
E ISSN : 2722-2713
Tampilan Aplikasi Terdapat berbagai fitur pada aplikasi yang mana tiap fitur tersebut memiliki fungsinya masing-masing.
Halaman ini menampilkan hasil dari pelatihan model serta evaluasinya.
Berikut tampilan hasil klasifikasi training pada gambar Gambar 7.
Tampilan dashboard Halaman implementasi dari distribusi data antar Berikut tampilan dashboard yang ada pada gambar 7.
Gambar 11.
Tampilan data testing Halaman ini menampilkan penggunaan dataset yang baru untuk dilakukan pengujian Berikut tampilan data testing pada Gambar 8.
Tampilan upload dataset Halaman ini menampilkan tempat untuk digunakan mengunggah serta mengelola Berikut tampilan upload dataset yang ada pada gambar 8.
Gambar 12.
Tampilan cek kalimat Halaman ini menampilkan untuk menguji sentimen dari input satu kalimat saja.
Berikut tampilan cek kalimat pada gambar 12.
Gambar 9.
Tampilan hasil preprocessing Halaman ini menampilkan hasil dari data yang sudah dibersihkan dan hasil pemrosesan Berikut tampilan hasil preprocessing pada gambar 9.
Gambar 10.
Tampilan klasifikasi training Validasi Hasil Pengujian Validasi menjalankan proses klasifikasi sentimen secara konsisten pada data yang tidak termasuk dalam data pelatihan.
Pengujian pertama dilakukan melalui fitur Data Testing dengan menggunakan dataset baru.
Aplikasi berhasil memproses data tersebut dan menghasilkan prediksi sentimen yang sesuai dengan pola distribusi utama pada penelitian Hasil ini membuktikan bahwa model memiliki kemampuan generalisasi yang baik terhadap data eksternal.
Gambar 13.
Data testing dengan data baru JIKA | 73 Copyright @2026 JIKA (Jurnal of Informatic.
Licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License JIKA (Jurnal Informatik.
Universitas Muhammadiyah Tangerang Vol 10.
No 1.
Januari 2026, pp 67-75 Selanjutnya, menggunakan fitur Cek Kalimat untuk menganalisis satu kalimat secara langsung.
Prediksi sentimen yang dihasilkan sistem sesuai dengan konteks kalimat yang diberikan, sehingga menunjukkan bahwa model bekerja secara operasional dan mampu memberikan hasil real-time dengan akurasi yang dapat Gambar 14.
Uji input kalimat positif
P ISSN : 2549-0710
E ISSN : 2722-2713
tindakan pengambilalihan aset oleh pejabat Model ini mencapai akurasi 73,0 %, menegaskan bahwa gabungan tahapan preprocessing, vektor TFAcIDF, serta algoritma Nayve Bayes terbukti efektif dalam menelaah dan memetakan opini publik.
Kinerja paling tinggi muncul di kelas negatif dengan recall sebesar 87.
5 %,
sementara kelas positif menunjukkan kinerja terendah karena datanya yang terbatas.
Temuan ini sejalan dengan penelitian Amini & Setiawan .
serta Gunawan et al.
, yang memang mengindikasikan bahwa Nayve Bayes bekerja secara optimal dalam analisis sentimen berbahasa Indonesia.
Studi ini mengungkap bahwa algoritma Nayve Bayes terbukti cukup ampuh untuk menelaah pendapat masyarakat tentang pengambilalihan aset pasca gelombang protes 2025.
Di antara spektrum sentimen yang terdeteksi, nuansa negatif muncul paling menonjol, menandakan ketidaksetujuan publik yang meluas terhadap fenomena tersebut.
Dengan demikian, model ini dapat dijadikan pijakan bagi penelitian lanjutan yang menggali opini publik melalui media sosial.
REFERENSI