Kohesi: Jurnal Sains dan Teknologi

Articles

Vol. 11 No. 2 (2026): Kohesi: Jurnal Sains dan Teknologi, ISSN 3025-1311

ANALISIS SENTIMEN OPINI MASYARAKAT TERHADAP KEBIJAKAN KENAIKAN HARGA PERTAMAX MENGGUNAKAN METODE SUPPORT VECTOR MACHINE

DOI:
https://doi.org/10.2238/32010x25
Submitted
July 24, 2026
Published
2026-07-24

Abstract

Meskipun kebijakan penyesuaian harga Pertamax menimbulkan beragam reaksi publik di media sosial, analisis berbasis data terhadap komentar di YouTube belum banyak dimanfaatkan untuk evaluasi kebijakan. Penelitian ini bertujuan mengklasifikasikan sentimen opini masyarakat terkait kenaikan harga Pertamax dan menguji keandalan algoritma Support Vector Machine (SVM). Data sekunder sebanyak 2.403 komentar dikumpulkan menggunakan Instant Data Scraper dari saluran berita resmi YouTube. Setelah melalui praproses (pembersihan, case folding, tokenizing, stopword removal, dan stemming Sastrawi), diperoleh 2.359 data bersih yang dikelompokkan ke dalam tiga kelas sentimen (Negatif, Netral, Positif). Data ditransformasikan menggunakan TF-IDF dan dibagi dengan rasio 80:20. Pemodelan diklasifikasikan dengan SVM dan dievaluasi menggunakan confusion matrix. Hasil pengujian menunjukkan model SVM mencapai akurasi sebesar 86,65% (weighted accuracy 87%), precision 0,87, recall 0,87, dan F1-score 0,86. Distribusi sentimen didominasi oleh kelas negatif sebesar 55,53% (1.310 komentar), netral 35,40% (835 komentar), dan positif 9,07% (214 komentar). Temuan ini membuktikan efektivitas SVM dalam memetakan opini tidak terstruktur dan berpotensi diterapkan sebagai early warning system bagi pemangku kebijakan.

References

  1. [1] Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. https://link.springer.com/article/10.1007/BF00994018
  2. [2] Feldman, R., & Sanger, J. (2007). The text mining handbook: Advanced approaches in analyzing unstructured data. Cambridge University Press. https://www.cambridge.org/core/books/text-mining-handbook/0634B1DF14259CB43FCCF28972AE4382
  3. [3] Joachims, T. (1998). Text categorization with support vector machines: Learning with many relevant features. Springer. https://dl.acm.org/doi/10.1007/BFb0026683
  4. [4] Liu, B. (2012). Sentiment analysis and opinion mining. Morgan & Claypool Publishers. https://dl.acm.org/doi/10.5555/3019323
  5. [5] Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to information retrieval. Cambridge University Press. https://nlp.stanford.edu/IR-book/
  6. [6] Salton, G., & Buckley, C. (1988). Term-weighting approaches in automatic text retrieval. Information Processing & Management, 24(5), 513–523. https://www.sciencedirect.com/science/article/abs/pii/0306457388900210
  7. [7] Scikit-learn Developers. (2024). Scikit-learn: Machine learning in Python. https://scikit-learn.org/stable/
  8. [8] Sastrawi Project. (2016). Sastrawi: Indonesian stemming library. https://github.com/sastrawi/sastrawi
  9. [9] Instant Data Scraper. (2023). Instant data scraper documentation.

Similar Articles

1-10 of 411

You may also start an advanced similarity search for this article.