662
Progresif: Jurnal Ilmiah Komputer https://ojs.
stmik-banjarbaru.
id/index.
php/progresif/index Jl.
Ahmad Yani.
33,5 - Kampus STMIK Banjarbaru Loktabat - Banjarbaru (Tlp.
, e-mail: puslit.
stmikbjb@gmail.
e-ISSN: 2685-0877 Eksplorasi Sentimen Publik di Media Sosial terhadap Isu RUU TNI Menggunakan Pendekatan Machine Learning DOI: http://dx.
org/10.
35889/progresif.
Creative Commons License 4.
0 (CC BY Ae NC) Sandy Aprilyanto1*.
Rudy Latuperissa2 Sistem Informasi.
Universitas Kristen Satya Wacana.
Salatiga.
Indonesia *e-mail Corresponding Author: 682021002@student.
Abstract The developments regarding the revision of the Indonesian National Armed Forces Law (RUU TNI) have sparked various reactions from the public, most of which have been expressed through social media platforms.
This research aims to evaluate public opinion on the TNI Bill issue by utilizing machine learning technology and the Support Vector Machine (SVM) algorithm.
Data were collected from three social networks, namely YouTube.
Instagram, and X .
ormerly known as Twitte.
, with a total of 4,530 data points.
The stages of data processing include web scraping, data cleaning, text preprocessing, automatic labelling using textblob, word weighting through TFIDF, and data balancing using the SMOTE method.
The sentiment classification results reveal that the majority of public opinions are positive and neutral, with the highest model accuracy achieved at parameter C = 1, namely 94.
60% for YouTube, 95.
80% for Instagram, and 97.
for X.
These findings demonstrate the effectiveness of the SVM approach in categorizing public opinions generated from social media, and imply that social media serves as an important source for understanding public views on national policy issues.
Keywords: Machine Learning.
Support Vector Machine.
SMOTE.
Text Mining.
TF IDF
Abstrak Perkembangan mengenai revisi Undang-Undang Tentara Nasional Indonesia (RUU TNI) telah menimbulkan berbagai reaksi dari masyarakat, yang sebagian besar disampaikan melalui platform media sosial.
Penelitian ini bertujuan untuk mengevaluasi pandangan publik terhadap isu RUU TNI dengan memanfaatkan teknologi pembelajaran mesin dan algoritma Support Vector Machine (SVM).
Data dikumpulkan dari tiga jejaring sosial, yaitu YouTube.
Instagram, dan X .
ang sebelumnya dikenal sebagai Twitte.
, dengan total sebanyak 4.
530 data.
Tahapan pengolahan data mencakup web scraping, pembersihan data, pra-pemrosesan teks, pelabelan otomatis menggunakan TextBlob, pemberian bobot kata melalui TF-IDF, serta penyeimbangan data dengan metode SMOTE.
Hasil klasifikasi sentimen mengungkapkan bahwa sebagian besar pendapat masyarakat bersifat positif dan netral, dengan akurasi tertinggi dari model dicapai pada parameter C = 1, yaitu 94,60% untuk YouTube, 95,80% untuk Instagram, dan 97,33% untuk X.
Temuan ini menunjukkan efektivitas pendekatan SVM dalam mengkategorikan pendapat publik yang dihasilkan dari media sosial, serta menyiratkan bahwa media sosial berfungsi sebagai sumber penting untuk memahami pandangan masyarakat terhadap masalah kebijakan nasional.
Kata kunci: Machine Learning.
Support Vector Machine.
SMOTE.
Text Mining.
TF IDF
Pendahuluan Beberapa minggu ini, terjadi polemik yang menjadikan masyarakat Indonesia menjadi Salah satu diantaranya ialah masalah Rancangan Undang-Undang Tentara Nasional Indonesia, atau umumnya disingkat menjadi RUU TNI.
Baru - baru ini Dewan Perwakilan Rakyat Republik Indonesia atau lebih sering dikenal dengan DPR RI mengeluarkan RUU mengenai Tentara Nasional Indonesia atau TNI.
Tujuan diadakannya revisi terhadap Undang-Undang Eksplorasi Sentimen Publik di Media Sosial a.
Sandy Aprilyanto Progresif e-ISSN: 2685-0877 Nomor 34 Tahun 2004 tentang Tentara Nasional Indonesia adalah membantu kinerja kementerian/lembaga negara terkait karena untuk memenuhi kebutuhan atas keahlian tertentu yang diperlukan oleh kementerian/lembaga terkait .
Kebijakan pemerintah dalam membuat aturan dalam penugasan terkait TNI, khususnya dalam hal peran TNI dalam mengambil peran di lingkungan masayarakat sipil.
Oleh sebab itu, dalam memahami persepsi masyarakat terhadap kebijakan ini sangat penting dalam melakukan penilaian sentimen serta dampak sosial dari persepsi terkait RUU TNI.
Banyaknya pengguna media sosial terkhususnya di indonesia, dimana media sosial tidak hanya digunakan sebagai sarana hiburan semata, namun juga dipergunakan dalam penyampaian terkait opini publik dalam topik politik di Indonesia.
Adanya berita pada berbagai kanal media sosial mengenai peran TNI yang masuk pada ranah sipil dan menimbulkan keresahan pada profesionalisme militer di Indonesia itu sendiri, sehingga memicu adanya berbagai tanggapan dari positif hingga negatif mengenai isu ini baik dari kalangan masyarakat baik dari kalangan akademisi maupun kalangan umum.
Maka dari itu perlu dilakukan nya analisis sentimen terkait kebijakan dalam revisi terhadap Undang-Undang Nomor 34 Tahun 2004 tentang Tentara Nasional Indonesia.
Analisis sentimen merupakan suatu jenis pemrosesan bahasa alami yang menggunakan pembelajaran mesin dimana digunakan untuk mengekstrak informasi yang penting dari suatu data teks, termasuk perspektif, emosi, dan sikap .
Seperti pada penelitian Hayadi dan Maulita pada tahun 2025 yang berjudul AuSentiment Analysis of Public Discourse on Education in Indonesia Using Support Vector Machine (SVM) and Natural Language ProcessingAy, pada penelitian ini menggunakan algoritma SVM yang terbukti mampu dalam mengklasifikan teks dikarenakan kepresisisan dan adaptabilitasnya .
Berdasarkan latar belakang yang dibahas, penelitian ini bertujuan untuk menganalisis sentimen opini publik tentang RUU TNI di Indonesia dengan menggunakan Algoritma Support Vector Machine (SVM).
Dibandingkan dengan beberapa metode klasifikasi pembelajaran mesin lainnya, algoritma SVM mampu mengenali pola dan menganalisis data dengan dimensi tinggi, yang menghasilkan tingkat akurasi yang lebih tinggi.
Setelah itu, hasil analisis sentimen akan diperiksa dan dibahas secara menyeluruh, dan temuan akan disimpulkan.
Dataset yang digunakan diperoleh melalui pencarian data di platform media sosial dengan menggunakan keyword atau kunci yang terkait dengan kata kunci RUU TNI di Indonesia.
Tinjauan Pustaka Pada penelitian Wijaya dkk yang berjudul AuAnalisis sentimen seputar uu ite menggunakan menggunakan algoritma Support Vector MachineAy yang mencapai tingkat akurasi sebesar 84%.
Penelitian ini bertujuan untuk mengetahui bagaimana reaksi publik terhadap uu ite yang menggunakan SVM dan ekstraksi TF-IDF .
Selain itu, pada penelitian dalam Wardianto dkk dalam AuAnalisis Sentimen Publik Terhadap Program Makan Bergizi Gratis di Instagram menggunakan Algoritma Support Vector MachineAy.
Penelitian ini menggunakan konsep penelitian berbasis pemodelan pembelajaran mesin yang didukung oleh algoritma Support Vector Machine yang melingkupi data sebanyak 10000 komentar terkait dengan Program makan bergizi yang memiliki akurasi sebesar 90% .
Pada penelitian Husein dkk yang berjudul AuSentiment Analysis Od Face To Face School Policy On Twitter Social Media With Support Vector Machine (SVM)Ay.
Penelitian ini bertujuan untuk penganalisaan opini publik twitter tentang kebijakan pemerintah pasca pandemi Covid-19, dan penelitian ini menggunakan konsep pendekatan pembelajaran mesin yang menggunakan algoritma Support Vector Machine .
Lebih lanjut dalam penelitian dari Dharmapati dan merawati yang berjudul AuPenerapan Algoritma Support Vector Machine Dalam Sentimen Analisis Terkait Kenaikan Tarif BPJS KesehatanAy, dari 671 sampel penelitian prediksi dari algoritma Support Vector Machine menghasilkan akurasi sebesar 92%.
Pada Penelitian ini membahas analisis sentimen masyarakat di Twitter terhadap kebijakan kenaikan tarif BPJS Kesehatan.
Penelitian ini menggunakan metode Support Vector Machine (SVM) .
Pada penelitian dalam Amelia dkk berjudul AuAnalisis Sentimen Tanggapan Pengguna Media Sosial X Terhadap Program Beasiswa KIP-Kuliah dengan Menggunakan Algoritma Support Vector Machine (SVM)Ay, tujuan dari penelitian ini berguna untuk melakukan analisis terkait beasiswa KIP-Kuliah menggunakan Support Vector Machine yang menghasilkan akurasi 86,27% yang hasil algoritma model lebih bias kepada sentimen negatif .
Eksplorasi Sentimen Publik di Media Sosial a.
Sandy Aprilyanto e-ISSN: 2685-0877 Pada penelitian kali ini, berbeda dengan penelitian terdahulu lainnya penelitian ini menggunakan metode berbasis Support Vector Machine dengan menambahkan pembobotan kata dan juga penggunaan Synthetic Minority Over-sampling Technique (SMOTE), sehingga menjadikan penelitian ini berbeda dengan penelitian terdahulu sebelumnya.
Metodologi Pada penelitian menggunakan penelitian analisis sentimen dengan menggunakan SVM sebagai algoritma dalam melakukan analisis sentimennya berikut metodologi penelitian yang dapat dilihat pada gambar 1.
Gambar 1.
Metode Penelitian 1 Data Gathering Pada tahapan pengumpulan data dilakukan dengan metode web scraping yakni metode yang mengekstrak informasi yang terjadi pada suatu halaman, hal ini bisa dilakukan pada python yakni menggunakan tools bernama tweet harvest, ig comments export tool, dan Python.
2 Cleansing Data Tahapan ini membersihkan semua data hasil dari gathering data dengan membersihkan semua url, html, dan emoji dan karakter asing lainnya pada data sehingga dapat dilanjutkan pada proses preprocessing data sehingga data yang ingin diolah sudah dapat diolah dengan baik.
3 Preprocessing data .
Case Folding Case Folding merupakan tahapan dimana dilakukan penyamaan pada tulisan yang sebelumnya tidak beraturan menjadi lower case.
Karakter seperti huruf dan angka akan dianggap sebagai delimiter sehingga dihilangkan.
Progresif: Vol.
No.
Agustus 2025: 662-674 Progresif e-ISSN: 2685-0877 Normalize Pada tahapan ini penggunaan normalisasi berfungsi untuk mengembalikan kata yang bermakna lain sesuai dengan konteks dalam kamu KBBI, sehingga tidak menimbulkan kebingungan saat proses analisis sentimen.
Remove Stopwords Stopwords berfungsi untuk menghilangkan kata-kata yang tidak penting dalam teks dan tidak ada hubungannya dengan isi teks yang dimaksudkan, dan juga tujuan dari pemakaian Stopwords adalah meningkatkan kinerja algoritma agar tepat dalam menganalisis sentimen .
Tokenizing Proses tokenizing adalah memecah kata per kata, pada proses ini juga dilakukan juga penghilangan angka, tanda baca, dan tanda lain yang tidak memiliki pengaruh signifikan pada teks terkait.
Stemming Stemming merupakan proses pengembalian kata ke bentuk aslinya sehingga kata yang sudah dilakukan proses tokenizing dikembalikan kepada bentuk kalimat yang sudah tidak ada tanda baca dan tanda lain yang mengganggu pemrosesan teks.
4 Labeling Data Setelah proses pengumpulan data selesai dilakukan proses labelling data yakni melakukan pelabelan data jika data n>1 maka dikatakan positif sedangkan apabila data n=0 maka dikatakan netral sedangkan n<0 maka data dikatakan negatif.
5 Feature Selection Term Frequency - Inverse Document Frequency (TF-IDF) merupakan teknik yang menilai hubungan antara kata dan dokumen dengan menggunakan dua konsep penghitungan bobot:
frekuensi kata dalam dokumen tertentu dan frekuensi inverse dari dokumen yang mengandung kata tersebut .
Term Frequency (TF) dan Inverse Document Frequency (IDF) membentuk TFIDF.
Frekuensi kemunculan sebuah kata dalam manuskrip dikenal sebagai TF-nya.
Sebaliknya.
IDF adalah kebalikan dari frekuensi dokumen .
6 SMOTE: Synthetic Minority Over-sampling Technique Synthetic Minority Over-sampling Technique atau biasa disingkat dengan SMOTE adalah teknik yang kelebihan beban untuk mengkompensasi jumlah distribusi catatan data di kelas minoritas dengan menyelaraskan catatan data minoritas dengan jumlah catatan data di kelas mayoritas .
7 SVM Classification Support Vector Machine adalah pertama kali diperkenalkan oleh Cortes dan Vapnik .
sebagai cara untuk menjaga agar nilai dari bahaya eksperimental tetap stabil, meminimalkan ketidakpastian sementara .
Strategi ini digunakan untuk menemukan jalur hiper terbaik dengan meningkatkan jarak antar lapisan .
Berikut merupakan sistematika kinerja dari Algoritma SVM.
yc Oo ycuycn yca = 0 Keterangan:
A w = vektor bobot A xi = atribut suku ke-i pada data A b = suku bias Eksplorasi Sentimen Publik di Media Sosial a.
Sandy Aprilyanto e-ISSN: 2685-0877 Dalam konteks perumusan sentimen negatif dan positif pada rumus 2 untuk positif dan negatif pada rumus 3.
yc Oo ycuycn yca Ou 1 yc Oo ycuycn yca O Oe1 8 Evaluation with Confusion Matrix Pada penelitian ini menggunakan evaluasi confusion matrix, pada dasarnya confusion matrix digunakan sebagai tolak ukur kinerja setelah data diolah dengan model yang sudah ditentukan dengan sedemikian rupa .
Pengukuran menggunakan metode ini berguna dalam memberikan informasi perbandingan hasil algoritma yang digunakan dalam hasil klasifikasi yang sudah digunakan sebelumnya .
Gambar 2.
Confusion Matrix Keterangan:
TP (True Positiv.
FP (False Positiv.
TN (True Negativ.
FN (False Negativ.
= Data yang bernilai 1 diklasifikasikan sebagai nilai 1 = Data yang bernilai 0 diklasifikasikan sebagai nilai 0 = Data yang bernilai 0 diklasifikasikan sebagai nilai 1 = Data yang bernilai 1 diklasifikasikan sebagai nilai 0 Pada penggunaannya confusion matrix sering digunakan dalam 666able666n data untuk mencari nilai accuracy, precision, recall, dan f1-score.
Berikut beberapa rumus untuk Accuracy Nilai ini menggambarkan seberapa akurat suatu algoritma dalam melakukan pengklasifikasian suatu data tertentu.
yaycaycaycycycaycayc = ycNycE ycNycA ycNycE ycNycA yaycE yaycA y 100% Precision Precision disini digunakan dalam penggambaran akurasi antara data yang diminta dengan hasil prediksi data yang sudah dilakukan oleh model algoritma.
ycEycyceycaycnycycnycuycu = ycNycE ycNycE yaycE Recall Recall merupakan penggambaran pengklasifikasian kelas positif dengan benar.
ycIyceycaycaycoyco = ycNycE ycNycE yaycA y 100% y 100 % Progresif: Vol.
No.
Agustus 2025: 662-674 Progresif e-ISSN: 2685-0877 f1-score f1-score merupakan pencerminan keseimbangan antara precision dan recall yang telah di yce1 Oe ycycaycuycyce = 2 yycIyceycaycaycoyco yycEycyceycaycnycycnycuycu ycIyceycaycaycoyco ycEycyceycaycnycycnycuycu y 100% Hasil dan Pembahasan 1 Data Gathering Proses data gathering dilaksanakan dari awal pembahasan tentang revisi RUU TNI yang dimulai pada tanggal 24 maret 2025 sejak dimulainya tagar RUU TNI dari berbagai kanal media sosial dimulai dari youtube.
Instagram dan x.
Dengan hasil data yang ditunjukkan pada gambar 3, 4 dan 5.
Gambar 3.
Data Youtube Gambar 4.
Data Instagram Gambar 5.
Data X 2 Cleansing Data Tahapan ini membersihkan semua data hasil dari gathering data dengan membersihkan semua url, html, dan emoji dan karakter asing lainnya pada data sehingga dapat dilanjutkan pada proses preprocessing data.
Pada tahapan ini dapat mempengaruhi analisis teks pada proses selanjutnya, apabila tidak dilakukan pada tahapan ini maka pada saat praproses data maka akan terjadi kerancuan saat algoritma dalam mengolah data yang tidak dibersihkan secara benar.
Data hasil cleansing ditampilkan pada gambar 6 ,7, dan 8.
Gambar 6.
Cleansing youtube Gambar 7.
Cleansing Instagram Eksplorasi Sentimen Publik di Media Sosial a.
Sandy Aprilyanto e-ISSN: 2685-0877 Gambar 8.
Cleansing x Preprocessing Data Case folding, normalize, stopwords, tokenizing, dan stemming dilakukan pada proses ini.
Proses yang terjadi pada tahapan ini ialah mengubah semua karakter yang kapital menjadi huruf Selanjutnya melakukan penghapusan tanda baca dan karakter asing seperti titik, tanda tanya, tanda seru, koma, dan penghapusan simbol asing, kata henti, mengubah kata majemuk menjadi kata dasar kemudian pemisahan teks.
Tabel 1 Contoh Hasil preprocessing data Sebelum Sesudah [AopemerintahAo.
AoindonesiaAo.
AomemastikanAo, perintah indonesia pasti revisi undang undang AorevisiAo.
AoundangAo.
AoundangAo.
AotentaraAo, tentara nasional indonesia tentara nasional AonasionalAo.
AoindonesiaAo.
AotentaraAo.
AonasionalAo, indonesia baru sah tuju kembali dwifungsi tentara AoindonesiaAo.
AobaruAo.
AodisahkanAo.
AobertujuanAo, nasional indonesia lebih fokus kuat peran tentara AomengembalikanAo.
AodwifungsiAo.
AotentaraAo, nasional indonesia jaga stabilitas negara AonasionalAo.
AoindonesiaAo.
AolebihAo.
AodifokuskanAo.
AopenguatanAo.
AoperanAo.
AotentaraAo.
AonasionalAo.
AoindonesiaAo.
AomenjagaAo.
AostabilitasAo.
AonegaraA.
Labeling Data Pada tahapan pelabelan data kali ini menggunakan library dari python yang bernama Textblob sebelum melakukan pelabelan data menggunakan Textblob secara otomatis, library ini mewajibkan untuk melakukan penerjemahan kedalam bahasa inggris terlebih dahulu sebelum melakukan pelabelan data yang terkait.
Hasil dari terjemahan dan sentimen dapat dilihat pada Tabel 2.
Contoh hasil labelling Sebelum Sesudah Sentimen perintah indonesia pasti the indonesian government revisi undang undang tentara ensured that the revision of the nasional indonesia tentara indonesian nasional indonesia baru sah national army law was approved dwifungsi aimed at restoring the dual Positif tentara nasional indonesia function of the indonesian lebih fokus kuat peran national army more focused on tentara nasional indonesia strengthening the role of the jaga stabilitas negara indonesian national army to maintain the stability of the Dari hasil pelabelan data menggunakan textblob dari data dari youtube mendapatkan data 385 data dengan jumlah sentimen positif sebanyak 580, netral sebanyak 548, dan negatif sebanyak 257.
Sedangkan untuk data dari instagram mendapatkan data sebanyak 2.
Progresif: Vol.
No.
Agustus 2025: 662-674 Progresif e-ISSN: 2685-0877 data dengan jumlah sentimen positif sebanyak 635, netral sebanyak 1.
096, dan negatif sebanyak Terakhir untuk data dari X mendapatkan data sebanyak 1.
124 data dengan jumlah sentimen positif sebanyak 398, netral sebanyak 517, dan negatif sebanyak 296.
Dengan total data dari 3 media sosial berjumlah 4.
530 data dengan jumlah sentimen positif sebanyak 1.
618, sentimen netral sebanyak 2.
161 dan sentimen negatif sebanyak 843.
Disini dapat dilihat hasil analisis sentiment dari textblob menunjukkan secara garis besar bahwa mayoritas sentimen tertuju pada arah netral namun dapat dilihat bahwa ada beberapa data yang menunjukkan ketimpangan seperti pada data yang ada pada media instagram dengan data negatif yang cukup minim, maka dari itu kita akan melakukan proses selanjutnya yakni feature selection dan smote guna menyeimbangkan data yang sudah dilakukan pelabelan Feature Selection Sebelum proses smote dilakukan, terlebih dahulu akan dilakukan proses pembobotan kata atau tf idf terlebih dahulu dikarenakan agar kata yang sering muncul dalam dokumen dapat digunakan saat balancing data saat dilakukannya proses smote yang akan meningkatkan akurasi algoritma mesin.
Hasil dari tf idf dapat dilihat pada gambar 9, 10, dan 11.
Gambar 9.
Hasil TF IDF Youtube Gambar 10.
Hasil TF IDF Instagram Gambar 11.
Hasil TF IDF X SMOTE (Synthetic Minority Over-sampling Techniqu.
Setelah dilakukan proses pembobotan kata atau tf idf selanjutnya akan dilakukan proses balancing data atau smote yakni menjadikan data kelas minoritas diselaraskan dengan jumlah data minoritas dengan data mayoritas yang ada pada suatu data.
SMOTE meningkatkan kinerja prediksi model pembelajaran mesin dengan menyeimbangkan dataset dengan cara ini, mencegah bias terhadap kelas mayoritas dan memungkinkan generalisasi yang lebih besar pada data yang belum terlihat.
Gambar 12.
Contoh hasil Visualisasi SMOTE Eksplorasi Sentimen Publik di Media Sosial a.
Sandy Aprilyanto e-ISSN: 2685-0877 SVM Classification Tahap selanjutnya dalam setelah dilakukan penyelarasan pada data dari 3 media sosial yang ada yakni youtube.
Instagram, dan x selanjutnya yakni pengklasifikasian menggunakan algoritma mesin menggunakan support vector machine, dengan menggunakan parameter c yakni 01, 0.
05, 0.
25, 0.
5, 0.
75, dan 1.
Berikut hasil uji dari data dari 3 media sosial yang sudah diolah yang dapat dilihat pada tabel 3.
Complexity 0,01 0,05 0,25 0,75 Tabel 3.
Hasil Klasifikasi Data Media Sosial Accuracy Youtube Instagram Dapat dilihat dari ketiga tabel diatas parameter C = 1 membuktikan bahwa memiliki ratarata akurasi yang tinggi dari ketiga data berdasarkan hasil olah data dari pembobotan kata dan penyelarasan data terkait.
Hasil akurasi yang didapat sangat bagus yakni 94,60% untuk youtube, 95,80% untuk instagram, dan 97,33% untuk x.
Berikut adalah hasil laporan lengkap dari hasil pengolahan data terkait yang dapat dilihat pada gambar 13, 14, dan 15.
Gambar 13.
Hasil laporan klasifikasi youtube Gambar 14.
Hasil laporan klasifikasi instagram Gambar 15.
Hasil laporan klasifikasi X 8 Evaluation with confusion matrix Selanjutnya setelah melakukan klasifikasi dengan algoritma support vector machine, pada tahap ini kita akan melakukan evaluasi dengan bantuan confusion matrix untuk mengevaluasi hasil kinerja dari algoritma yang sudah kita bangun untuk menganalisa sentimen RUU TNI pada ketiga media sosial.
Progresif: Vol.
No.
Agustus 2025: 662-674 Progresif e-ISSN: 2685-0877 Gambar 16.
Hasil confusion matrix youtube Gambar 17.
Hasil confusion matrix Gambar 18.
Hasil confusion matrix x Dapat dilihat pada gambar 16, bahwa untuk label negatif dari 49 data uji yang diujikan pada algoritma terkait menyatakan bahwa 49 label negatif yang terkait diprediksikan benar sebagai negatif, untuk label netral dari 118 label netral untuk data uji 107 diantaranya diprediksikan bahwa benar merupakan label netral dan 10 diantaranya yang sebenarnya netral diprediksikan sebagai positif dan 1 sentimen diantaranya yang sebenarnya netral diprediksikan sebagai negatif.
Selanjutnya untuk sentimen positif dari 111 data uji diprediksikan bahwa 107 data diprediksikan sebagai benar bahwa merupakan sentimen positif dan 2 diantaranya diantaranya yang sebenarnya positif diprediksikan sebagai netral dan 2 lainnya yang sebenarnya positif diprediksikan sebagai negatif.
Dapat dilihat pada gambar 17, bahwa untuk label negatif dari 64 data uji yang diujikan pada algoritma terkait menyatakan bahwa 64 label negatif yang terkait diprediksikan benar sebagai negatif, dan 2 diantaranya yang sebenarnya negatif diprediksikan sebagai netral, untuk label netral dari 212 label netral untuk data uji 201 diantaranya diprediksikan bahwa benar merupakan label netral dan 7 diantaranya yang sebenarnya netral diprediksikan sebagai positif dan 4 sentimen yang sebenarnya netral diprediksikan sebagai negatif.
Selanjutnya untuk sentimen positif dari 126 data uji diprediksikan bahwa 123 data diprediksikan sebagai benar bahwa merupakan sentimen positif dan 3 yang sebenarnya positif diantaranya diprediksikan sebagai netral dan 1 lainnya yang sebenarnya positif diprediksikan sebagai negatif.
Dapat dilihat pada gambar 18, bahwa untuk label negatif dari 53 data uji yang diujikan pada algoritma terkait menyatakan bahwa 53 label negatif yang terkait diprediksikan benar sebagai negatif, untuk label netral dari 102 label netral untuk data uji 97 diantaranya diprediksikan bahwa benar merupakan label netral dan 4 diantaranya yang sebenarnya netral diprediksikan sebagai positif dan 1 sentimen yang sebenarnya netral diprediksikan sebagai negatif.
Selanjutnya untuk sentimen positif dari 70 data uji diprediksikan bahwa 69 data diprediksikan sebagai benar bahwa merupakan sentimen positif dan 1 diantaranya yang sebenarnya positif diprediksikan sebagai Eksplorasi Sentimen Publik di Media Sosial a.
Sandy Aprilyanto e-ISSN: 2685-0877 Sentimen Positif Netral Negatif Tabel 4.
Hasil Sentimen dari 3 Media Sosial Youtube Instagram Dapat dilihat pada tabel 4 diatas hasil dari ketiga media sosial memiliki perbedaan, untuk youtube sendiri memiliki kecenderungan komentar yang lebih kepada arah sentimen positif 6%, sedangkan untuk instagram cenderung lebih kepada komentar netral sebanyak 7% sedangkan pada aplikasi x lebih cenderung kepada sentimen netral sebanyak 46%.
Dari hasil klasifikasi menggunakan algoritma SVM secara garis besar dari ketiga sentimen berdasarkan data dari ketiga media sosial lebih cenderung kepada sentimen positif dan netral.
Pembahasan Dari pembelajaran mesin yang telah dilakukan dari ketiga dataset yang sudah dikumpulkan selama beberapa hari performa terbaik dihasilkan oleh performa dengan dataset dari x dengan Tingkat keakuratan mencapai 97.
33%, sementara pada data set akurasi tertinggi 94.
60 % untuk youtube dan 95.
80% untuk Instagram, meskipun terlihat tinggi akurasi dan sudah dilakukan penyelarasan dalam jumlah data yang tersebar dapat dilihat masih terdapat bias sentimen positif dan netral, dapat dilihat pada hasil sentimen pada instagram yang memiliki bias netral yang tinggi Bias netral ini dapat disebabkan oleh beberapa komentar yang tidak sesuai dengan konteks pembicaraan yang sedang berlangsung sehingga terjadi kebiasan terhadap suatu topik Seperti yang dikemukakan oleh Nurhasananda dan Akbar pada AuAnalisis Sentimen Masyarakat Terhadap Kebijakan Undang-Undang Tentara Nasional Indonesia (UU TNI) Menggunakan Support Vector MachineAy.
Penelitian mereka tidak mencakup beberapa media sosial melainkan hanya 1 media sosial saja yakni Twitter dan juga penggunaan metode lain dalam meningkatkan akurasi hasil klasifikasi .
Selain itu juga pada penelitian Hasibuan dkk dalam AuAnalisis Sentimen Kebijakan Ekspor Pasir Laut Pada Sosial Media Twitter Menggunakan Algoritma Support Vector MachineAy, menyarankan bahwasanya harus ada dataset yang lebih banyak dari platform media sosial lain .
Dengan demikian, kontribusi utama dari penelitian ini adalah penggabungan antar platform, kualitas data, dan teknik pengolahan seperti pembobotan kata dan SMOTE, yang secara kolektif meningkatkan reliabilitas hasil klasifikasi sentimen kebijakan TNI.
Dengan integrasi kontribusi ini, pemahaman kita tentang bagaimana mengoptimalkan SVM dalam konteks opini kebijakan nasional semakin kuat.
Oleh karena itu, penelitian ini berkontribusi pada pengembangan metode klasifikasi sentimen berbasis machine learning yang multikanal dan fleksibel.
Metode ini relevan untuk studi kebijakan, sosial-politik, dan media digital.
Simpulan Berdasarkan hasil dari penelitian yang dilakukan dari ketiga data dari media sosial 530 data yang diolah dapat disimpulkan bahwa algoritma Support Vector Machine dapat membantu dalam melakukan penganalisaan terhadap sentimen masyarakat yang dibantu dengan TF-IDF dan juga SMOTE dalam suatu topik tertentu, yang pada penelitian kali ini menitikberatkan pada topik ruu tni.
Dapat dilihat hasil tuning dari parameter dengan menggunakan parameter C yang mendapatkan akurasi tertinggi ialah menggunakan parameter 1 dengan youtube sebesar 94.
60%, instagram sebesar 95,80% dan x sebesar 97,33%.
Namun mengingat menggunakan textblob sebagai alat untuk melakukan pelabelan otomatis membawa keterbatasan karena tidak sepenuhnya mampu menangkap makna sebenarnya dari nuansa politik yang bergejolak di Indonesia.
Dapat diambil benang merah bahwa ketiga media sosial yang terkait memiliki sarana dalam menyebarkan sentimen masyarakat terhadap suatu isu tertentu baik dalam skala nasional maupun global.
Penelitian ini merupakan bagian dasar untuk pemerintah Indonesia dalam analisis sentimen masyarakat terkhususnya dalam isu RUU TNI, yang akan terus mengalami perkembangan seiring dengan perubahan kebijakan dan waktu.
Budaya digital di kalangan masyarakat juga mempengaruhi cara mereka berkomunikasi, termasuk dalam menyampaikan pendapat lewat media sosial.
Memahami opini publik dalam penelitian ini sangat bermanfaat untuk menggali opini masyarakat di dunia digital.
Progresif: Vol.
No.
Agustus 2025: 662-674 Progresif e-ISSN: 2685-0877 Namun, pada penelitian ini masih memiliki kekurangan yakni masih menggunakan 1 kernel yang tersedia pada algoritma SVM diharapkan pula pada penelitian yang akan datang dapat memakai kernel yang lain selain itu juga menggunakan optimasi parameter tuning yang lebih kompleks dan juga melakukan pelabelan secara manual dan menyeluruh sehingga menghasilkan analisis sentimen yang kuat terhadap suatu topik tertentu baik isu global maupun nasional.
Daftar Referensi .
Dewan Perwakilan Rakyat Republik Indonesia, "Rancangan Undang Undang Perubahan Atas Undang-UNDANG NOMOR 34 Tahun 2004 Tentang Tentara Nasional Indonesia," in Sidang Paripurna.
Jakarta, 2024.
Durga and D.
Godavarthi, "Deep-Sentiment: An Effective Deep Sentiment Analysis using a Decision-based Recurrent Neural Network (D-RNN)," Ie Access, vol.
11, no.
2, pp.
108433-108447, 2023.
Hayadi and I.
Maulita, "Sentiment Analysis of Public Discourse on Education in Indonesia Using Support Vector Machine (SVM) and Natural Language Processing," Journal of Digital Society, vol.
1, no.
1, pp.
68-90, 2025.
Wijaya.
Erfina and C.
Warman, "Analisis Sentimen Seputar UU ITE Menggunakan Algoritma Support Vector Machine," Progresif: Jurnal Ilmiah Komputer, vol.
17, no.
2, pp.
114, 2021.
Wardianto.
Jakak and M.
Rohman, "Analisis Sentimen Public Program Makan Bergizi Gratis Platform Instagram dengan Algoritma Support Vector Machine," SMARTICS, vol.
1, pp.
14-20, 2025.
Husein.
Sipahutar.
Dashuah and E.
Hutauruk, "Sentiment Analysis Od Face To Face School Policy On Twitter Social Media With Support Vector Machine(SVM)," Sinkron : Jurnal Dan Penelitian Teknik Informatika, vol.
7, no.
1, pp.
480-486, 2023.
Dharmapatni and N.
Merawati, "Penerapan Algoritma Support Vector Machine Dalam Sentimen Analisis Terkait Kenaikan Tarif BPJS Kesehatan," Jurnal Bumigora Information Technology (BIT.
, vol.
2, no.
2, pp.
105-112, 2020.
Amelia.
Sugiyono.
Sarimole and Tundo, "Analisis Sentimen Tanggapan Pengguna Media Sosial X Terhadap Program Beasiswa KIP-Kuliah dengan Menggunakan Algoritma Support Vector Machine (SVM)," Jurnal Indonesia : Manajemen Informatika Dan Komunikasi, vol.
5, no.
3, pp.
2994-3003, 2024.
Vista.
Sihono and A.
Firdausi, "Analisis Sentimen Kebijakan Pembelajaran Tatap Muka Selama Pandemi Covid-19 Menggunakan Metode Support Vector Machine," Jurnal Informatika Polinema, vol.
9, no.
3, pp.
259-264, 2023.
Gifari.
Adha.
Hendrawan and F.
Durrand, "Film Review Sentiment Analysis Using TF-IDF and Support Vector Machine," Journal of Information Technology, vol.
2, no.
1, pp.
36-40, 2022.
Leidiyana.
Misriati and R.
Aryanti, "Klasifikasi Sentimen Terhadap Kebijakan Tapera Menggunakan Komparasi Machine Learning dan SMOTE," Jurnal Komtika (Komputasi dan Informatik.
, vol.
8, no.
2, pp.
125-135, 2024.
International Business Machines, "Apa itu Support Vector Machines?," International Business Machines, 27 Desember 2023.
[Onlin.
Available: https://w.
com/idid/think/topics/support-vector-machine.
[Accessed 28 Juli 2.
Rahmadayana and Y.
Sibaroni, "Sentiment Analysis of Work from Home Activity using SVM with Randomized Search Optimization," JURNAL RESTI (Rekayasa Sistem dan Teknologi Informas.
, vol.
5, no.
5, pp.
936-942, 2021.
Romadloni.
Kusuma and W.
Baihaqi, "Komparasi Metode Pembelajaran Mesin Untuk Implementasi Pengambilan Keputusan Dalam Menentukan Promosi Jabatan Karyawan," JATI(Jurnal Mahasiswa Teknik Informatik.
, vol.
6, no.
2, pp.
622-628, 2022.
Nurhasananda and M.
Akbar, "Analisis Sentimen Masyarakat Terhadap Kebijakan Undang-Undang Tentara Nasional Indonesia (UU TNI) Menggunakan Support Vector Machine," Jurnal Komputer.
Informasi Dan Teknologi, vol.
5, no.
2, pp.
1-14, 2025.
Eksplorasi Sentimen Publik di Media Sosial a.
Sandy Aprilyanto e-ISSN: 2685-0877 .
Hasibuan.
Ratnawati and R.
Perdana, "Analisis Sentimen Kebijakan Ekspor Pasir Laut pada Sosial Media Twitter Menggunakan Algoritma Support Vector Machine," Jurnal Sistem Informasi.
Teknologi Informasi.
Dan Edukasi Sistem Informasi, vol.
5, no.
24-33, 2024.
Progresif: Vol.
No.
Agustus 2025: 662-674