JOISIE (Journal Of Information Systems And Informatics Engineerin.
Vol.
No.
Desember 2024.
Hlm 333-343 Received: 22 November 2024.
Revised: 4 Desember 2024.
Accepted: 16 Desember2024
p- ISSN: 2503-5304
e- ISSN: 2527-3116
ANALISIS SENTIMEN PUBLIK PADA PEMERINTAH DALAM SERANGAN
RANSOMWARE DENGAN PENDEKATAN SMOTE
Mohammad Indra Prayugah.
Uce Indahyanti.
Novia Ariyanti.
Program Studi Informatika.
Fakultas Sains & Teknologi.
Universitas Muhammadiyah Sidoarjo.
Jl.
Raya Gelam No.
Pagerwaja, gelam, kec.
Candi, kabupaten Sidoarjo, jawa Timur email: 1211080200115@umsida.
id, 2uceindahyanti@umsida.
id, 3noviaariyanti@umsida.
Abstract The ransomware attack on Indonesia's national data center has become a widely discussed topic in YouTube has become the main platform for disseminating information and giving people This research aims to identify public sentiment regarding the government's handling of ransomware attacks through analysis of comments on the CNN Indonesia and MetroTV YouTube Data was collected using web scraping techniques and entered into a classification model with three labels positive, neutral and negative sentiment.
The three machine learning models that will be used are SVM.
Random Forest, and Nayve Bayes, with two test scenarios, using Synthetic Minority Over-sampling Technique (SMOTE) and without SMOTE.
Applying SMOTE increases model accuracy, especially in SVM which reaches 96%.
The research results show that the majority of comments express negative sentiments towards the government's performance.
This research will provide an understanding of public perceptions of cyber security issues in Indonesia and the effectiveness of SMOTE in sentiment analysis.
Keywords: ransomware, support vector machine, random forest, nayve bayes.
SMOTE Abstrak Serangan ransomware pada pusat data nasional Indonesia menjadi topik yang banyak dibicarakan di masyarakat.
YouTube menjadi platform utama untuk menyebarkan informasi dan masyarakat Penelitian ini bertujuan untuk mengidentifikasi sentimen publik mengenai penanganan pemerintah terhadap serangan ransomware melalui analisis komentar di kanal YouTube CNN Indonesia dan MetroTV.
Data dikumpulkan menggunakan teknik web scraping dan dimasukkan ke dalam model klasifikasi dengan tiga label yaitu sentimen positif, netral, dan negatif.
Tiga model machine learning yang akan digunakan adalah SVM.
Random Forest, dan Nayve Bayes, dengan dua skenario pengujian yaitu menggunakan Synthetic Minority Over-sampling Technique (SMOTE) dan tanpa SMOTE.
Penerapan SMOTE meningkatkan akurasi model, terutama pada SVM yang mencapai Hasil penelitian menunjukkan bahwa mayoritas komentar mengungkapkan sentimen negatif terhadap kinerja pemerintah.
Penelitian ini akan memberikan pemahaman mengenai persepsi publik terhadap isu keamanan siber di Indonesia dan efektivitas SMOTE dalam analisis sentimen.
Kata Kunci: ransomware, support vector machine, random forest, nayve bayes.
SMOTE
PENDAHULUAN
Teknologi informasi yang berkembang dengan cepat telah mengubah cara masyarakat dalam menyampaikan opini atau pendapat mereka.
Salah satu platform yang sering digunakan masyarakat untuk beropini adalah Youtube.
YouTube adalah situs berbagi media semacam hiburan virtual untuk berbagi media video dan suara (Ningtyas et al.
, 2.
Youtube sebagai platform berbagi video dengan pengguna aktif lebih dari jutaan setiap harinya menjadi tempat dimana berbagai informasi beredar.
Youtube menyediakan fitur komentar untuk pengguna bisa memberi tanggapan ataupun opini (Chely Aulia Misrun et al.
, 2.
Opini yang diberikan oleh para pengguna YouTube seringkali digunakan untuk membuat penilaian yang merujuk pada suatu topik atau tujuan tertentu dikenal dengan istilah analisis sentimen (Faira Huwaida et al.
, 2.
https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
334 | Jurnal JOISIE.
Volume 8.
Nomor 2.
Desember 2024 Baru-baru ini beredar informasi mengenai serangan ransomware oleh hacker pada pusat data nasional yang berdampak ke masyarakat dan pemerintah.
YouTube berperan sebagai salah satu media utama tempat informasi beredar dan masyarakat menyuarakan opini melalui komentar pada video berita terkait insiden tersebut.
Sebagai lembaga yang bertugas melayani masyarakat, instansi pemerintah sangat mengandalkan opini publik untuk melakukan evaluasi dan meningkatkan kinerja.
Salah satu contohnya adalah Kementerian Komunikasi dan Informatika (Kominf.
, yang memiliki tanggung jawab menjaga keamanan data.
Serangan ini memunculkan berbagai persepsi dari masyarakat terkait langkah-langkah yang diambil oleh Kominfo dalam menangani situasi tersebut.
Oleh karena itu, analisis sentimen menjadi penting untuk memahami reaksi dan persepsi publik terhadap kinerja pemerintah, yang pada gilirannya dapat menjadi bahan evaluasi dan peningkatan layanan publik di masa depan.
Analisis sentimen publik melalui komentar YouTube menjadi informasi langsung tentang persepsi masyarakat terhadap kinerja instansi pemerintah.
Analisis sentimen adalah kegiatan untuk menganalisis opini tentang suatu topik (Darwisah Harahap & Kurniawan, 2.
Analisis sentimen secara otomatis mengidentifikasi, mengekstrak, dan mengolah informasi dalam bentuk teks untuk menghasilkan data mengenai sentiment (Indrayuni & Nurhadi, 2.
Analisa sentimen dapat dilakukan dengan beberapa tahap dimulai dari pengumpulan data .
crapping dat.
, dilanjutkan tahap pre-processing data dan kemudian masuk ke tahap analisa data menggunakan beberapa algoritma machine learning.
Penelitian sebelumnya yang dilakukan Farid Naufal pernah melakukan perbandingan dari tiga metode algoritma tentang analisis cyberbullying pada media sosial.
Peneliti membandingkan antara Support Vector Machine.
Random Forest, dan Naive Bayers setelah dilakukan pre-processing tanpa dilakukan oversampling SMOTE.
Oleh karena itu, penelitian ini ditujukan untuk mengembangkan penelitian yang sebelumnya dilakukan Farid Naufal dengan membandingkan 3 metode algoritma Support Vector Machine.
Random Forest, dan Naive Bayers tapi dengan penambahan oversampling SMOTE (Naufal et al.
, n.
Penelitian serupa juga pernah dilakukan oleh putri yang dimana penelitian tersebut membahas tentang analisis data dengan tahap pre-processing pada kometar tentang pelayanan masyarakat DKI Jakarta dan dilakukan pembandingan antara dua metode algoritma Nayve Bayes dan SVM.
Didapati hasil dari SVM mengungguli sedikit lebih akurat dari Nayve Bayes.
Tetapi dataset yang dipakai dalam penelitian hanya bersumber dari 3 video membuat penelitian terkesan tidak representative (Putri & Cahyono, 2.
Penelitian oleh Oktaviami Manullang membandingkan metode algoritma dari random forest dengan lexicon based untuk prediksi hasil calon pemilu presiden berdasarkan data twitter.
Dalam penelitian tersebut didapat hasil bahwa Random Forest memberikan hasil yang akurat dibanding dengan Lexicon Based yang kurang efektif dalam menangani analisi sentimen kalimat ambigu (Manullang et al.
, 2.
Penelitian Muhammad Yasir membandingkan model Nayve bayes.
Decision Tree.
Random Forest tentang analisis sentimen kenaikan biaya haji 2023 dan didapati model Nayve Bayes memberikan hasil terbaik (Yasir & Suraji, 2.
Dalam Penelitian oleh Syah dibahas tentang analisis sentimen twitter terhadap indihomecare dengan melakukan uji memakai metode algoritma SVM.
Data yang diuji dilakukan beberapa skenario dengan membandingkan hasil menggunakan SMOTE.
AdaBoost.
PSO.
Didapati hasil penggunaan SMOTE memberikan hasil yang lebih unggul (Syah et al.
, 2.
Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap kinerja pemerintah dalam menangani kasus serangan ransomware pada pusat data nasional.
Selain itu, penelitian ini juga bertujuan untuk mengevaluasi pengaruh penggunaan teknik SMOTE (Synthetic Minority Oversampling Techniqu.
dalam meningkatkan akurasi analisis sentimen.
Untuk mencapai tujuan tersebut, beberapa model machine learning seperti Support Vector Machine.
Random Forest, dan Nayve Bayes digunakan, baik dengan maupun tanpa penerapan SMOTE.
Hasil penelitian diharapkan menjadi bahan evaluasi kinerja pemerintah dalam penanganan kasus serupa di masa depan.
https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Prayugah.
Analisis Sentimen Publik Pada Pemerintah Dalam Serangan Ransomware dengan Pendekatan SMOTE, 333-.
METODE PENELITIAN
Penelitian dilakukan melalui beberapa tahap sesuai dengan yang ditunjukkan pada Gambar 1.
Metode penelitian dimulai dari tahap Pengumpulan Data.
Pre-Processing.
Tahap Uji, hingga Validasi.
Dalam penelitian ini akan dilakukan menggunakan bahasa python.
Python adalah bahasa pemrograman interpretatif yang sederhana untuk dipelajari, dapat digunakan di berbagai platform, dan dirancang dengan penekanan pada keterbacaan kode (Alfandi Safira & Hasan, 2.
Program akan dijalankan melalui Google Colab.
Google Colab merupakan platform cloud untuk menulis, menjalankan, dan membagikan kode python langsung melalui web browser (Darwisah Harahap & Kurniawan, 2.
Gambar 1.
Flowchart Alur Penelitian 1 Studi Literatur Studi literatur dilakukan untuk memenuhi referensi penelitian dari beberapa sumber mulai dari buku, jurnal, hingga video dengan tujuan menguatkan pemahaman mendasar penelitian.
Proses ini memungkinkan peneliti untuk menggali informasi yang relevan untuk meninjau literatur sebelumnya (Hidayat et al.
, 2.
2 Pengumpulan Data Data dikumpulkan dengan mengambil komentar video berita dari YouTube tentang serangan ransomware pada pusat data nasional Indonesia dari channel berita tertentu seperti CNN dan MetroTV dengan batas waktu antara 20 Juni 2024 hingga 30 Agustus 2024.
Data dikumpulkan melalui metode scraping menggunakan YouTube Data APIv3 yang diakses melalui Google Developers Console.
dalam Google Developers Console, terdapat fitur APIs & Services yang perlu diaktifkan terlebih Setelah itu, pengguna akan diarahkan ke API Library untuk mencari YouTube Data APIv3 dan membuat kredensial baru.
Proses ini menghasilkan API Key yang digunakan untuk mengakses data dari YouTube (Ningtyas et al.
, 2.
API Key tersebut yang akan digunakan untuk mendapatkan data dengan akses dari id setiap video.
Pertama dilakukan pengumpulan sumber video yang akan dipakai sesuai dengan kebutuhan penelitian.
Kemudian diambil id dari setiap video untuk dilakukan https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
336 | Jurnal JOISIE.
Volume 8.
Nomor 2.
Desember 2024 proses scrapping data menggunakan Google Colab.
Data yang diambil meliputi komentar video saja yang kemudian akan diubah ke dalam format CSV dengan berisi 6484 data.
Tabel 1.
Dataset Masak gak ada back up pas make w7 pernah kena ransome Seharusnya semua pejabat dinegeri ini dipilihA Gk mau berinovasi dan hny mau terima bersih.
Kelalaian TIDAK Adanya Sistem Backup Data Nasi.
3 Pre-Processing Data yang diperoleh kemudian diproses untuk menghilangkan noise dan memastikan struktur yang terstruktur.
Pada pre-processing dataset yang sudah dikumpulkan akan diolah untuk dijadikan ke format yang lebih efisien dan terstruktur (Andrian & Rahman Isnain, 2.
Tahap ini berisi pengubahan dataset menjadi mudah dipahami untuk hasil penelitian yang lebih optimal.
Preprocessing mencakup beberapa langkah mulai dari cleaning, tokenizing, stopwords, hingga stemming.
Proses ini dibutuhkan untuk mengatasi permasalahan yang akan datang saat tahap uji (Dika Wardhani.
Rika Astuti, 2.
1 Cleaning Data cleaning adalah penghapusan simbol atau karakter yang tidak relevan untuk membantu akurasi klasifikasi data (Putri & Cahyono, 2.
Data cleaning akan mencakup simbol, mention.
URL, emoji, dan data kosong.
Pendekatan ini dirancang untuk mengurangi kemungkinan kemiripan dengan sumber lain sekaligus meningkatkan akurasi dan kualitas data yang diolah (Kevin et al.
, 2.
Tabel 2.
Pre-Processing Data Cleaning Ga mau bayar tebusan yg hanya beberapa M , sed.
Pecat Menkominfo dan PENJARAKAN seumur hidup.
Kebanyakan buka web gak jelas tuh.
text_clean ga mau bayar tebusan yg hanya beberapa m , pecat menkominfo dan penjarakan seumur kebanyakan buka web gak jelas tuh.
2 Tokenizing Tokenizing adalah proses pemisahan teks menjadi kata maupun karakter agar dapat dianalisa dengan mengubah dari semula berupa dataset utuh berupa kalimat menjadi beberapa kata (Ardiansyah & NurAoaini, 2.
Tokenize dilakukan untuk mempermudah proses stopword (Syakir & Hasan, 2.
Tabel 3.
Pre-Processing Tokenizing text_clean ga mau bayar tebusan yg hanya beberapa m , sed.
pecat menkominfo dan penjarakan seumur kebanyakan buka web gak jelas tuh.
text_token .
a, mau, bayar, tebusan, yg, hanya, .
ecat, menkominfo, dan, penjarakan, seumur, h.
ebanyakan, buka, web, gak, jelas, tuh, https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Prayugah.
Analisis Sentimen Publik Pada Pemerintah Dalam Serangan Ransomware dengan Pendekatan SMOTE, 333-.
337 3 Stopwords Dataset yang telah dilakukan tokenizing masuk tahap stopword.
Stopword adalah proses mengeliminasi kata-kata yang dianggap kurang penting dalam menentukan sentiment (Aura Azzahra et al.
, 2.
Kata tersebut dianggap sebagai noise dan harus dihilangkan untuk membantu proses uji (Aida Sapitri & Fikry, 2.
Tabel 4.
Pre-Processing Stopwords text_token .
a, mau, bayar, tebusan, yg, hanya, .
ecat, menkominfo, dan, penjarakan, seumur, h.
ebanyakan, buka, web, gak, jelas, tuh, .
ni, akibat, politik, balas, budi, memilih, text_stop .
a, bayar, tebusan, backup, data, ga, .
ecat, menkominfo, penjarakan, seumur, .
ebanyakan, buka, web, gak, tuh, main, .
kibat, politik, balas, budi, memilih, 4 Stemming Kata yang telah diproses stopwords langsung diproses lagi dalam tahap stemming.
Stemming adalah tahapan mengubah kalimat dari sebuah kata menjadi bentuk dasarnya (Kumala Sari & Randy Suryono, 2.
Penelitian kali ini akan menggunakan library sastrawi dalam proses Sastrawi adalah library yang dirancang menggunakan algoritma Nazief dan Adriani (NA).
Algoritma ini mengikuti kaidah Bahasa Indonesia (Murni Pardede.
Tulus Pramita Sihaloho.
Jenheri Rejeki Tarigan, 2.
Tabel 5.
Pre-Processing Stemming text_stop .
a, bayar, tebusan, backup, data, ga, .
ecat, menkominfo, penjarakan, seumur, .
ebanyakan, buka, web, gak, tuh, main, .
kibat, politik, balas, budi, memilih, .
a, bayar, tebus, backup, data, ga, ta.
ecat, menkominfo, penjara, umur, hidup, .
anyak, buka, web, gak, tuh, main, download, .
kibat, politik, balas, budi, pilih, mentri.
4 Labelling Masuk tahap Labelling yang dimana hasil dari tahapan stemming akan dilakukan perhitungan dari ulasan yang terambil, sehingga dapat menghasilkan sebuah label (Mualfah Desti, 2.
Labelling dilakukan dengan daftar kata positif dan negative dari kamus sentiment, di mana skor ditambahkan berdasarkan kecocokan kata (Pratama & Aryani, 2.
Dalam penelitian kali ini labelling akan dilakukan berdasarkan sentiment_score dengan tiga sentimen yaitu positif, negatif, dan Tabel 6.
Labelling Klasifikasi filtered_text .
a, bayar, tebus, backup, data, ga, ta.
ecat, menkominfo, penjara, umur, hidup, .
anyak, buka, web, gak, tuh, main, download, .
kibat, politik, balas, budi, pilih, mentri.
sentiment_score https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
338 | Jurnal JOISIE.
Volume 8.
Nomor 2.
Desember 2024 5 Data Splitting Data Splitting digunakan untuk membagi data menjadi data latih dan data uji dengan tujuan mencari akurasi terbaik (Muadin & Asnal, 2.
Data akan dibagi menjadi 3 pembagian seperti yang terlampir pada tabel berikut.
Tabel 7.
Splitting Data Train & Data Test Data Train Data Test 6 Tahap Uji Dataset yang telah melalui proses pre-processing dan juga labelling akan diuji dengan perbandingan tiga model yakni Support Vector Machine.
Nayve Bayes, dan Random Forest.
Tahap uji penelitian akan dilakukan dengan dua tahap skenario yang berbeda.
Pada tahap pertama dataset akan diuji menggunakan oversampling SMOTE.
Pada tahap kedua dataset akan diuji tanpa menggunakan oversampling SMOTE.
Synthetic Minority Oversampling Technique (SMOTE) merupakan algoritma yang bekerja untuk mengontrol pemerataan distribusi data pada suatu kelas mayoritas dengan membuat sampel buatan dari kelas minoritas untuk menyeimbangkan perbandingan data (Sharfina & Ghaniaviyanto Ramadhan, 2.
Penggunaan SMOTE pada penelitian kali ini bertujuan untuk mengetahui pengaruh SMOTE dalam analisis sentimen.
7 Validasi Validasi dilakukan untuk mengukur keakuratan hasil dari model machine learning sebelumnya.
Tahap evaluasi akan dilakukan menggunakan visualisasi confussion matrix dengan bentuk table 3x3 yang dibagi indikator sentimen positif, negatif, dan netral.
Melalui metode confusion matrix bisa didapat nilai akurasi dalam mengategorikan data dengan tepat dengan keseluruhan data (Chely Aulia Misrun et al.
, 2.
HASIL DAN PEMBAHASAN
Pada bagian hasil akan berisi hasil dari penelitian meliputi tahap uji dan validasi dari setiap model machine learning.
Pada tahap labelling didapat bahwa untuk klasifikasi sentimen negatif memiliki jumlah total lebih banyak daripada klasifikasi sentimen lainnya dengan negatif 4728 data, netral 1406 data, positif 345 data.
Hasil klasifikasi tertera pada Tabel 8 dan Gambar 2.
Tabel 8.
Dataset setelah Pre-Processing filtered_text .
a, bayar, tebus, backup, data, ga, ta.
ecat, menkominfo, penjara, umur, hidup, .
anyak, buka, web, gak, tuh, main, download, .
kibat, politik, balas, budi, pilih, mentri.
sentiment_score https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Prayugah.
Analisis Sentimen Publik Pada Pemerintah Dalam Serangan Ransomware dengan Pendekatan SMOTE, 333-.
339 Gambar 2.
Grafik Perbandingan Data Sentimen Dataset yang telah diklasifikasikan akan diuji dengan model machine learning yang ditentukan yakni Support Vector Machine.
Random Forest, dan Naive bayes.
Tahap uji dibagi menjadi dua skenario dengan skenario 1 tahap uji menggunakan SMOTE dan skenario 2 tahap uji tanpa SMOTE.
1 Skenario 1 (SMOTE) Dari hasil penelitian setelah melalui tahap uji dengan SMOTE, diperoleh akurasi sebesar 96% untuk Support Vector Machine, 95% untuk.
Random Forest dan 89% untuk Nayve Bayes.
Setelah dilakukan uji terlihat bahwa keakuratan prediksi paling rendah terdapat pada 89% untuk Nayve bayes dan yang tertinggi pada 96% untuk Support Vector Machine.
Hasil perbandingan terlihat pada Tabel Hasil uji dan Gambar Visualisasi hasil uji setiap model.
Tabel 9.
Hasil Uji SVM (Skenario .
Data Train Data Test Akurasi (Support Vector Machin.
Precision Recall F1-Score Tabel 10.
Hasil Uji RF (Skenario .
Data Train Data Test Akurasi (Random Fores.
Precision Recall F1-Score Tabel 11.
Hasil Uji NB (Skenario .
Data Train Data Test Akurasi (Nayve Baye.
Precision Recall F1-Score https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
340 | Jurnal JOISIE.
Volume 8.
Nomor 2.
Desember 2024 Gambar 3.
Grafik Hasil Uji (Skenario .
Dari hasil uji didapat data splitting dengan perbandingan 90:10 menghasilkan akurasi tertinggi dari masing-masing model machine learning.
Untuk mengetahui keakuratan hasil dari tahap uji diperlukan tahap validasi.
Validasi akan dilakukan menggunakan confussion matrix.
Pada tahap validasi didapat hasil yang lumayan akurat untuk setiap model dan setiap klasifikasi seperti yang tertera pada Gambar hasil confussion matrix berikut.
Gambar 4.
Confussion Matrix Hasil Uji (Skenario .
2 Skenario 2 (Tanpa SMOTE) Dari hasil penelitian setelah melalui tahap uji tanpa SMOTE, diperoleh akurasi sebesar 80% untuk Random Forest, 79% untuk Support Vector Machine, dan 76% untuk Nayve Bayes.
Setelah dilakukan uji terlihat bahwa keakuratan prediksi paling rendah terdapat pada 76% untuk Nayve bayes dan yang tertinggi pada 80% untuk Random Forest.
Hasil perbandingan terlihat pada Tabel Hasil uji dan Gambar Visualisasi hasil uji setiap model Tabel 12.
Hasil Uji SVM (Skenario .
Data Train Data Test Akurasi (Support Vector Machin.
Precision Recall F1-Score https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Prayugah.
Analisis Sentimen Publik Pada Pemerintah Dalam Serangan Ransomware dengan Pendekatan SMOTE, 333-.
341 Tabel 13.
Hasil Uji RF (Skenario .
Data Train Data Test Akurasi (Random Fores.
Precision Recall F1-Score Tabel 14.
Hasil Uji NB (Skenario .
Data Train Data Test Akurasi (Nayve Baye.
Precision Recall F1-Score Gambar 5.
Grafik Hasil Uji (Skenario .
Dari hasil uji didapat data splitting dengan perbandingan 90:10 menghasilkan akurasi tertinggi untuk model Support Vector Machine dan Nayve Bayes.
Sedangkan pada perbandingan 80:20 menghasilkan akurasi tertinggi untuk model Random Forest.
Untuk mengetahui keakuratan hasil dari tahap uji diperlukan tahap validasi.
Validasi akan dilakukan menggunakan confussion matrix.
Pada tahap validasi didapat hasil yang terbilang kurang akurat untuk setiap model dan setiap klasifikasi seperti yang tertera pada Gambar hasil confussion matrix berikut.
Gambar 6.
Confussion Matrix Hasil Uji Skenario .
https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
342 | Jurnal JOISIE.
Volume 8.
Nomor 2.
Desember 2024
SIMPULAN
Dari tahap validasi dikonfirmasi bahwa model yang dilatih menggunakan SMOTE memberikan akurasi prediksi yang lebih tinggi pada semua kategori sentimen dibandingkan model tanpa SMOTE.
Dengan SMOTE, akurasi model berkisar antara 89% - 96%, sedangkan tanpa SMOTE hanya mencapai 76% - 80%.
Metode Support Vector Machine (SVM) memberikan performa terbaik dengan akurasi tertinggi mencapai 96% saat SMOTE diterapkan.
Dengan demikian, penelitian ini memberikan kontribusi signifikan dalam mendemonstrasikan keunggulan SMOTE dalam meningkatkan akurasi model machine learning pada dataset yang tidak Analisis sentimen menunjukkan bahwa mayoritas komentar memiliki sentimen negatif .
8 dat.
, diikuti oleh sentimen netral .
6 dat.
dan sentimen positif .
Hasil penelitian ini diharapkan dapat menjadi landasan bagi evaluasi dan pengambilan kebijakan pemerintah, khususnya dalam memperbaiki kinerja dan respons terhadap isu-isu kritis seperti keamanan data masyarakat.
UCAPAN TERIMAKASIH
Peneliti mengucapkan syukur kepada Tuhan Yang Maha Esa atas rahmat dan anugerah-Nya yang telah memudahkan proses penelitian dan penyusunan manuskrip ini hingga selesai dengan baik.
Rasa terima kasih yang tulus juga ditujukan kepada semua pihak yang telah memberikan dukungan sepanjang proses penelitian.
Peneliti juga berterima kasih pada lab informatika UMSIDA yang sudah menyediakan fasilitas pendukung penelitian ini dan juga pada JOISIE (Journal Of Information Systems And Informatics Engineerin.
atas kesempatan untuk mempublikasikan hasil penelitian ini.
DAFTAR PUSTAKA