Comparative Sentiment Analysis of Election News Articles with Smote using Classification Algorithm

Fathir Fathir; Afsa Rizki; Yuliyanti Yuliyanti; Siti Mutmainah

doi:10.53863/kst.v6i02.1253

Penulis

Fathir Fathir Universitas Muhammadiyah Bima, Bima, Indonesia
Afsa Rizki Universitas Muhammadiyah Bima, Bima, Indonesia
Yuliyanti Yuliyanti Universitas Muhammadiyah Bima, Bima, Indonesia
Siti Mutmainah Universitas Muhammadiyah Bima, Bima, Indonesia

DOI:

https://doi.org/10.53863/kst.v6i02.1253

Kata Kunci:

Analisis sentiment, SMOTE, KNN, decision tree

Abstrak

Penelitian ini berfokus pada analisis sentimen terhadap artikel pemberitaan mengenai pemilihan umum terutama presiden dan wakil presiden dengan membandingkan performa algoritma klasifikasi, khususnya Decision Tree dan K-Nearest Neighbors (KNN), serta mengevaluasi efektivitas teknik SMOTE (Synthetic Minority Over-sampling Technique) dalam mengatasi masalah ketidakseimbangan data atau dataset menunjukan bahwa jumlah data yang memiliki sentimen positif lebih banyak dari pada sentimen berupa negatif. Tujuan utama dari penelitian ini adalah untuk menentukan algoritma yang lebih unggul dalam klasifikasi sentimen dan melihat bagaimana SMOTE dapat meningkatkan kinerja model tersebut. Dataset di scraping dan dilakukan untuk normalisasi teks, penghapusan stop words, dan ekstraksi fitur. SMOTE diterapkan untuk menyeimbangkan kelas dalam dataset, sehingga mengatasi ketidakseimbangan yang sering terjadi pada data sentimen. Algoritma digunakan Decision Tree dan KNN. Hasil penelitian menunjukkan bahwa Decision Tree secara konsisten memberikan performa yang lebih baik dibandingkan KNN dalam hal akurasi sebesar 85%, presisi 44%, recall 47%, dan skor F1 45%. Penerapan SMOTE terbukti meningkatkan kinerja kedua algoritma, namun pengaruhnya lebih signifikan pada Decision Tree. Dengan demikian, penelitian ini menyimpulkan bahwa Decision Tree, dikombinasikan dengan SMOTE, merupakan pendekatan yang lebih efektif dan andal untuk analisis sentimen artikel pemilihan umum dibandingkan dengan KNN. Hasil ini memberikan kontribusi penting dalam pengembangan metode analisis sentimen yang dapat diterapkan untuk memahami dinamika opini publik dalam konteks politik.

Referensi

A’yuniyah, Q. A., & Reza, M. (2023). Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Jurusan Siswa Di Sma Negeri 15 Pekanbaru. Indonesian Journal of Informatic Research and Software Engineering (IJIRSE), 3(1), 39–45. https://doi.org/10.57152/ijirse.v3i1.484

Al-Azani, S., & El-Alfy, E. S. M. (2017). Using Word Embedding and Ensemble Learning for Highly Imbalanced Data Sentiment Analysis in Short Arabic Text. Procedia Computer Science, 109, 359–366. https://doi.org/10.1016/j.procs.2017.05.365

Azhar, Y. (2017). METODE LEXICON-LEARNING BASED UNTUK IDENTIFIKASI TWEET OPINI BERBAHASA INDONESIA. In Jurnal Nasional Pendidikan Teknik Informatika | (Vol. 6, Issue 3).

Azhar, Y. (2018). Metode Lexicon-Learning Based Untuk Identifikasi Tweet Opini Berbahasa Indonesia. Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), 6(3), 237. https://doi.org/10.23887/janapati.v6i3.11739

Eddyono, A. S. (2021). Pers Alternatif pada Era Orde Baru: Dijinakkan hingga Dibungkam. Komunika, 8(1), 53–60.

Es-Sabery, F., Es-Sabery, K., Qadir, J., Sainz-De-Abajo, B., Hair, A., García-Zapirain, B., & De La Torre-Díez, I. (2021). A MapReduce Opinion Mining for COVID-19-Related Tweets Classification Using Enhanced ID3 Decision Tree Classifier. IEEE Access, 9, 58706–58739. https://doi.org/10.1109/ACCESS.2021.3073215

Habibah, A. F. (2021). Era masyarakat informasi sebagai dampak media baru. Jurnal Teknologi Dan Sistem Informasi Bisnis, 3(2), 350–363.

Harun, A., & Putri Ananda, D. (2021). Analisa Sentimen Opini Publik Tentang Vaksinasi Covid-19 di Indonesia Menggunakan Naïve bayes dan Decission Tree. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 1(1), 58–64. https://doi.org/10.57152/malcom.v1i1.63

Hasan, F. N. (2024). Analisis Sentimen Masyarakat Terhadap Fenomena Childfree ( Kehidupan Tanpa Anak ) Pada Twitter Menggunakan Algoritma Naïve Bayes. 5(3), 853–861. https://doi.org/10.47065/josh.v5i3.5064

Ibrahim, N. M., Yafooz, W. M. S., Emara, A. H. M., & Abdel-Wahab, A. (2022). Utilizing Deep Learning in Arabic Text Classification Sentiment Analysis of Twitter. International Journal of Advanced Computer Science and Applications, 13(12), 830–838. https://doi.org/10.14569/IJACSA.2022.0131297

Keputusan Dirjen Penguatan Riset dan Pengembangan Ristek Dikti, S., Ari Kristanto, A., Harjoseputro, Y., Eric Samodra, J., & Jaya Yogyakarta yuliusharjoseputro, A. (2017). Terakreditasi SINTA Peringkat 2 Implementasi Golang dan New Simple Queue pada Sistem Sandbox Pihak Ketiga Berbasis REST API. Masa Berlaku Mulai, 1(3), 745–750.

Kholifah, B., Thoib, I., Sururi, N., & Kurnia, N. D. (2024). Analisis Sentimen Warganet Terhadap Isu Layanan Transportasi Online Berbasis InSet Lexicon Menggunakan Logistic Regression. 11(1), 14–25.

Lase, S. M. N., Adinda, A., Yuliantika, R. D., & Al, E. (2021). Kerangka Hukum Teknologi Blockchain Berdasarkan Hukum Siber di Indonesia. Padjajaran Law Review, 9(1), 1–20. https://hbr.org/2017/02/a-brief-history-of-

Lazuardi, J. U. S., & Juarna, A. (2023). Analisis Sentimen Ulasan Pengguna Aplikasi Joox Pada Android Menggunakan Metode Bidirectional Encoder Representation From Transformer (Bert). Jurnal Ilmiah Informatika Komputer, 28(3), 251–260. https://doi.org/10.35760/ik.2023.v28i3.10090

Loka, S. K. P., & Marsal, A. (2023). Perbandingan Algoritma K-Nearest Neighbor dan Naïve Bayes Classifier untuk Klasifikasi Status Gizi Pada Balita. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 3(1), 8–14. https://doi.org/10.57152/malcom.v3i1.474

Mohasseb, A., Bader-El-Den, M., Cocea, M., & Liu, H. (n.d.). IMPROVING IMBALANCED QUESTION CLASSIFICATION USING STRUCTURED SMOTE BASED APPROACH. http://trec.nist.gov/data/qa/t2007_qadata.html

Mudjiyanto, B., & Dunan, A. (2020). Media mainstream jadi rujukan media sosial. Majalah Semi Ilmiah Populer Komunikasi Massa, 1(01).

Mustasaruddin, M., Budianita, E., Fikry, M., & Yanto, F. (2023). Klasifikasi Sentiment Review Aplikasi MyPertamina Menggunakan Word Embedding FastText dan SVM (Support Vector Machine). Jurnal Sistem Komputer Dan Informatika (JSON), 4(3), 526. https://doi.org/10.30865/json.v4i3.5695

Nooryuda Prasetya, Y., Winarso, D., & Syahril. (2021). Penerapan Lexicon Based Untuk Analisis Sentimen Pada TwiterTerhadap Isu Covid-19. Jurnal Fasilkom, 11(2), 97–103.

Putra, F., Tahiyat, H. F., Ihsan, R. M., Rahmaddeni, R., & Efrizoni, L. (2024). Penerapan Algoritma K-Nearest Neighbor Menggunakan Wrapper Sebagai Preprocessing untuk Penentuan Keterangan Berat Badan Manusia. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(1), 273–281. https://doi.org/10.57152/malcom.v4i1.1085

Putu, N. L. P. M., Ahmad Zuli Amrullah, & Ismarmiaty. (2021). Analisis Sentimen dan Pemodelan Topik Pariwisata Lombok Menggunakan Algoritma Naive Bayes dan Latent Dirichlet Allocation. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(1), 123–131. https://doi.org/10.29207/resti.v5i1.2587

Satrio, B., Dahlan, B. F., Fathan, F., Muwafa, F. Z., & Reyhan, M. (2024). Klasifikasi Sentimen Emosi Pada Dataset Goemotion Menggunakan LSTM. 7(1), 21–25.

Setiawan, S. B., & Isnain, A. R. (2024). Sentimen Analisis Masyarakat Terhadap Pembangunan IKN Menggunakan Algoritma Lexicon Based Approach dan Naïve Bayes. 8(April 2019), 1019–1030. https://doi.org/10.30865/mib.v8i2.7605

Shahriar, K. T., Islam, M. N., Moni, M. A., & Sarker, I. H. (2023). A dynamic topic identification and labeling approach for COVID-19 tweets. Applied Intelligence for Industry 4.0, December 2019, 227–239. https://doi.org/10.1201/9781003256083-18

Supriatna, R., & Rohman, D. (2024). PENERAPAN NATURAL LANGUAGE PROCESSING DALAM ANALISIS SENTIMEN CAWAPRES 2024 MENGGUNAKAN ALGORITMA NAIVE BAYES. 8(1), 1109–1115.

Surya Gemilang, W., Purwantoro, P., & Carudin, C. (2024). Analisis Sentimen Pengguna Instagram Pada Calon Presiden 2024 Menggunakan Algoritma Support Vector Machine. JATI (Jurnal Mahasiswa Teknik Informatika), 7(4), 2849–2855. https://doi.org/10.36040/jati.v7i4.7256

Syamala, M., & Nalini, N. J. (2020). A filter based improved decision tree sentiment classification model for real-time amazon product review data. International Journal of Intelligent Engineering and Systems, 13(1), 191–202. https://doi.org/10.22266/ijies2020.0229.18

Toruan, C. R. A., Yudistra, N., & Perdana, R. S. (2023). Analisis Sentimen Tokocrypto pada Twitter menggunakan Metode Long Short-Term Memory. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 7(2), 719–726. http://j-ptiik.ub.ac.id

Utomo, P. B., Wahyudi, D., & Nalendra, A. K. (2024). Implementasi Convolution-Augmented Transfomer Berbasis Kecerdasan Buatan dalam Analisis Sentimen Teks Hasil Konversi Suara ke Teks. 8(1), 63–71.

Winarso, D., Yanda Noor Yudha, & Syahril. (2021). Analisis Sentimen Masyarakat Pada Twiter Terhadap Isu Covid-19 Menggunakan Metode Lexicon Based. Jurnal Fasilkom, 11(2), 97–103. https://doi.org/10.37859/jf.v11i2.2772

Yang, S. (2018). Text Mining of Twitter Data Using a Latent Dirichlet Allocation Topic Model and Sentiment Analysis. International Journal of Computer and Information Engineering, 12(7), 525–529.

Yani, S., Jumeilah, F. S., & Kadafi, M. (2020). Algoritma K-Nearest Neighbor Untuk Menentukan Kelayakan Keluarga Penerima Bantuan Pangan Non Tunai (Studi Kasus?: Kelurahan Karya Jaya). Journal of Information Technology Ampera, 1(2), 75–87. https://doi.org/10.51519/journalita.volume1.isssue2.year2020.page75-87

Zelina, N., & Afiyati, A. (2024). Analisis Sentimen Ulasan Pengguna Aplikasi M- Banking Menggunakan Algoritma Support Vector Machine dan Decision Tree. 7(1), 31–37.