Melola Discovery

← Melola Discovery

Open access Journal SINTA 2

Model Klasifikasi Naive Bayes untuk Pemetaan Persepsi Publik Secara Real-Time pada Media Sosial: Studi Kasus RUU TNI 2025

Decode: Jurnal Pendidikan Teknologi Informasi · Vol. 5 No. 2 (2025) · pp. 365–379

DOI
10.51454/decode.v5i2.1139
ISSN
2775-1813, 2775-2984
Published
2025-07-23
Publisher
Universitas Muhammadiyah Kendari
License
creativecommons.org/licenses/by-sa/4.0/

Abstract

Pengesahan Revisi Undang-Undang TNI 2025 memicu respons polarisasi di media sosial X (Twitter), terutama terkait kekhawatiran kebangkitan doktrin dwifungsi ABRI era Orde Baru. Penelitian ini bertujuan menganalisis sentimen publik, mengidentifikasi kecenderungan opini (dukungan/penolakan), dan mengevaluasi kinerja model klasifikasi. Data diperoleh melalui crawling 531 cuitan menggunakan kata kunci strategis ("dwifungsi ABRI", "demokrasi", "supremasi sipil"), diproses dengan preprocessing (cleaning, case folding, tokenization, stopword removal, stemming) dan pelabelan manual. Fitur diekstraksi menggunakan pembobotan TF-IDF, lalu diklasifikasikan dengan Naïve Bayes melalui lima skema pembagian data latih-uji (90%:10% hingga 50%:50%). Hasil menunjukkan dominasi sentimen negatif (81%/434 cuitan) dibanding positif (19%/97 cuitan), dengan model terbaik (skema 90%:10%) mencapai akurasi 85,19% dan presisi 100%, namun recall sangat rendah (4,35%) dan F1-score 8,33%. Word cloud mengungkap kata kunci negatif seperti "tolak", "DPR", dan "Dwifungsi ABRI" yang merefleksikan trauma historis. Simpulan penelitian mengindikasikan penolakan publik terhadap RUU TNI 2025, dengan kelemahan kritis pada deteksi sentimen positif akibat class imbalance dan keterbatasan Naïve Bayes menangkap konteks linguistik kompleks. Rekomendasi mencakup teknik oversampling (SMOTE) dan algoritma berbasis konteks (LSTM) untuk optimasi model.

Collaboration network of the authors

5 authors · 10 co-authorship links

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • Affiliation unknown
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

This record comes from Crossref (what the publisher deposited), because the journal's own OAI-PMH endpoint could not be harvested.

Metadata source: Crossref API (cadangan, berdasarkan ISSN) https://api.crossref.org/journals/2775-1813/works, first harvested 26 Oct 2026, last seen 15 Nov 2026.
Metadata as oai_dc, converted from Crossref
<oai_dc:dc xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/"><dc:title>Model Klasifikasi Naive Bayes untuk Pemetaan Persepsi Publik Secara Real-Time pada Media Sosial: Studi Kasus RUU TNI 2025</dc:title><dc:creator>Rahmatulloh, Reza</dc:creator><dc:creator>Iqbal Ibrahim, Mukhammad</dc:creator><dc:creator>Handayani`, Maya Rini</dc:creator><dc:creator>Umam, Khotibul</dc:creator><dc:creator>Wibowo, Nur Cahyo Hendro</dc:creator><dc:description>&lt;jats:p&gt;Pengesahan Revisi Undang-Undang TNI 2025 memicu respons polarisasi di media sosial X (Twitter), terutama terkait kekhawatiran kebangkitan doktrin dwifungsi ABRI era Orde Baru. Penelitian ini bertujuan menganalisis sentimen publik, mengidentifikasi kecenderungan opini (dukungan/penolakan), dan mengevaluasi kinerja model klasifikasi. Data diperoleh melalui crawling 531 cuitan menggunakan kata kunci strategis ("dwifungsi ABRI", "demokrasi", "supremasi sipil"), diproses dengan preprocessing (cleaning, case folding, tokenization, stopword removal, stemming) dan pelabelan manual. Fitur diekstraksi menggunakan pembobotan TF-IDF, lalu diklasifikasikan dengan Naïve Bayes melalui lima skema pembagian data latih-uji (90%:10% hingga 50%:50%). Hasil menunjukkan dominasi sentimen negatif (81%/434 cuitan) dibanding positif (19%/97 cuitan), dengan model terbaik (skema 90%:10%) mencapai akurasi 85,19% dan presisi 100%, namun recall sangat rendah (4,35%) dan F1-score 8,33%. Word cloud mengungkap kata kunci negatif seperti "tolak", "DPR", dan "Dwifungsi ABRI" yang merefleksikan trauma historis. Simpulan penelitian mengindikasikan penolakan publik terhadap RUU TNI 2025, dengan kelemahan kritis pada deteksi sentimen positif akibat class imbalance dan keterbatasan Naïve Bayes menangkap konteks linguistik kompleks. Rekomendasi mencakup teknik oversampling (SMOTE) dan algoritma berbasis konteks (LSTM) untuk optimasi model.&lt;/jats:p&gt;</dc:description><dc:publisher>Universitas Muhammadiyah Kendari</dc:publisher><dc:date>2025-07-23</dc:date><dc:type>info:eu-repo/semantics/article</dc:type><dc:format>application/pdf</dc:format><dc:identifier>https://doi.org/10.51454/decode.v5i2.1139</dc:identifier><dc:identifier>10.51454/decode.v5i2.1139</dc:identifier><dc:source>Decode: Jurnal Pendidikan Teknologi Informasi; Vol 5 No 2 (2025); 365-379</dc:source><dc:source>2775-1813</dc:source><dc:source>2775-2984</dc:source><dc:relation>https://journal.umkendari.ac.id/decode/article/download/1139/563</dc:relation><dc:rights>https://creativecommons.org/licenses/by-sa/4.0/</dc:rights></oai_dc:dc>