Analisis Sentimen Media Sosial X terhadap Gerakan Muhammadiyah Menggunakan Algoritma Naïve Bayes


Salsabilla Azahra Putri(1*); Nagala Wangsa Kencana(2); Azaki Khoirudin(3);

(1) Universitas Ahmad Dahlan, Yogykarta, Indonesia
(2) Universitas Ahmad Dahlan, Yogykarta, Indonesia
(3) Universitas Ahmad Dahlan, Yogykarta, Indonesia
(*) Corresponding Author

  

Abstract


Media sosial merupakan sumber data yang kaya untuk memahami persepsi publik terhadap berbagai isu, termasuk organisasi keagamaan seperti Muhammadiyah. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap Gerakan Muhammadiyah di Media Sosial X menggunakan algoritma Naïve Bayes. Sebanyak 617 unggahan dikumpulkan dan diklasifikasikan ke dalam tiga kategori sentimen utama: positif, negatif, dan netral. Tahapan analisis dimulai dengan preprocessing data, seperti penghapusan stop words, stemming, serta penanganan slang dan teks tidak terstruktur. Data teks kemudian direpresentasikan menggunakan metode TF-IDF sebelum diterapkan pada algoritma Naïve Bayes. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes mencapai akurasi sebesar 87,5%, dengan kinerja yang sangat baik dalam mengidentifikasi sentimen positif (45%) dan negatif (30%), sementara sentimen netral (25%) sering memiliki pola yang ambigu. Sentimen positif didominasi oleh apresiasi terhadap kontribusi Muhammadiyah dalam bidang pendidikan, kesehatan, dan penanganan bencana. Sebaliknya, sentimen negatif sebagian besar terkait dengan kritik terhadap biaya pendidikan, pelayanan kesehatan, dan distribusi bantuan sosial yang dinilai kurang optimal. Sentimen netral mencakup unggahan informatif tanpa opini emosional. Penelitian ini menunjukkan bahwa analisis sentimen menggunakan algoritma Naïve Bayes efektif dalam memahami persepsi publik terhadap Muhammadiyah. Temuan ini memberikan wawasan strategis bagi Muhammadiyah untuk meningkatkan citra positif dan mengelola kritik publik melalui pendekatan yang lebih adaptif di era digital.

Keywords


Analisis Sentimen; Media Sosial X; Naïve Bayes; Gerakan Muhammadiyah

  
  

Full Text:

PDF
  

Article Metrics

Abstract view: 47 times
PDF view: 14 times 		     

Digital Object Identifier

doi  https://doi.org/10.33096/busiti.v6i1.2569 		  

Cite

How to cite item

References


S. Saepudin, S. Widiastuti, and C. Irawan, “Sentiment Analysis of Social Media Platform Reviews Using the Naïve Bayes Classifier Algorithm,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 12, no. 2, pp. 236–243, 2023, doi: 10.32736/sisfokom.v12i2.1650.

F. S. Pamungkas and I. Kharisudin, “Analisis Sentimen dengan SVM, NAIVE BAYES dan KNNuntuk Studi Tanggapan Masyarakat Indonesia TerhadapPandemi Covid-19 pada Media Sosial Twitter,” Pros. Semin. Nas. Mat., vol. 4, pp. 1–7, 2021, [Online]. Available: https://journal.unnes.ac.id/sju/prisma/article/view/45038

D. Darwis, N. Siskawati, and Z. Abidin, “Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Review Data Twitter Bmkg Nasional,” J. Tekno Kompak, vol. 15, no. 1, p. 131, 2021, doi: 10.33365/jtk.v15i1.744.

L. Dey, S. Chakraborty, A. Biswas, B. Bose, and S. Tiwari, “Sentiment Analysis of Review Datasets Using Naïve Bayes‘ and K-NN Classifier,” Int. J. Inf. Eng. Electron. Bus., vol. 8, no. 4, pp. 54–62, 2016, doi: 10.5815/ijieeb.2016.04.07.

C. V. C. Reis, “Comparative Study of Sentiment Analysis for Multi-Sourced Social Media Platforms,” Neurosurgery, vol. 62, no. 2, pp. 294–310, 2008.

A. Septiani, A. Voutama, S. Siska, A. Andri Hendriadi, and N. Heryana, “Analisis Sentimen Menggunakan Algoritma Naïve Bayes Terhadap Regulasi Tiktok Shop Pada Media Sosial X (Twitter),” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 4, pp. 5729–5735, 2024, doi: 10.36040/jati.v8i4.10040.

F. A. Maulana and I. Ernawati, “Analisa sentimen cyberbullying di jejaring sosial twitter dengan algoritma naïve bayes,” Semin. Nas. Mhs. Ilmu Komput. dan Apl. (SENAMIKA, pp. 529–538, 2020, [Online]. Available: https://conference.upnvj.ac.id/index.php/senamika/article/view/619

F. Fitroh and F. Hudaya, “Systematic Literature Review: Analisis Sentimen Berbasis Deep Learning,” J. Nas. Teknol. dan Sist. Inf., vol. 9, no. 2, pp. 132–140, 2023, doi: 10.25077/teknosi.v9i2.2023.132-140.

A. Muzaki and A. Witanti, “SENTIMENT ANALYSIS OF THE COMMUNITY IN THE TWITTER TO THE 2020 ELECTION IN PANDEMIC COVID-19 BY METHOD NAIVE BAYES CLASSIFIER,” J. Tek. Inform., vol. 2, no. 2, pp. 101–107, Mar. 2021, doi: 10.20884/1.jutif.2021.2.2.51.

D. Purnamasari et al., Pengantar Metode Analisis Sentimen. 2023.

A. Al Nayeem Mahmud Lavu, H. Zhang, H. Zhao, and T. Hossain, “Indoor Smoking Detection Based on YOLO Framework with Infrared Image,” LC Int. J. STEM, vol. 4, no. 4, pp. 51–71, 2024, doi: 10.5281/zenodo.14028770.

Y. Liu, S. Liu, D. Ye, H. Tang, and F. Wang, “Dynamic impact of negative public sentiment on agricultural product prices during COVID-19,” J. Retail. Consum. Serv., vol. 64, p. 102790, Jan. 2022, doi: 10.1016/j.jretconser.2021.102790.

E. Azeraf, E. Monfrini, and W. Pieczynski, “Improving Usual Naive Bayes Classifier Performances with Neural Naïve Bayes based Models,” Int. Conf. Pattern Recognit. Appl. Methods, vol. 1, no. 2, pp. 315–322, 2022, doi: 10.5220/0010890400003122.

Q. Zeng et al., “Improved Naïve Bayes with mislabeled data,” Stat. Interface, vol. 17, no. 3, pp. 323–336, 2024, doi: 10.4310/22-SII757.

E. Azeraf, E. Monfrini, and W. Pieczynski, “Using the Naive Bayes as a discriminative model,” ACM Int. Conf. Proceeding Ser., pp. 106–110, 2021, doi: 10.1145/3457682.3457697.

S. Kumar Behera and M. M. Nayak, “Natural Language Processing for Text and Speech Processing: A Review Paper,” Int. J. Adv. Res. Eng. Technol., vol. 11, no. 11, pp. 1947–1952, 2020, [Online]. Available: http://iaeme.com/Home/journal/IJARET1947editor@iaeme.comhttp://iaeme.comhttp://iaeme.com

R. Khoirunisa, “Penggunaan Natural Language Processing Pada Chatbot Untuk Media Informasi Pertanian,” 2020. doi: 10.20961/ijai.v4i2.38688.

B. Wilie et al., “IndoNLU: Benchmark and Resources for Evaluating Indonesian Natural Language Understanding,” 2020, [Online]. Available: http://arxiv.org/abs/2009.05387

B. Pang, L. Lee, and S. Vaithyanathan, “Thumbs up? Sentiment Classification using Machine Learning Techniques,” Proc. 2002 Conf. Empir. Methods Nat. Lang. Process. EMNLP 2002, no. July, pp. 79–86, 2002.

M. Aasya Aldin Islamy and P. Pandu Adikara, “Analisis Sentimen IMDB Movie Reviews menggunakan Metode Long Short-Term Memory dan FastText,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 9, pp. 4106–4115, 2022, [Online]. Available: http://j-ptiik.ub.ac.id


Refbacks

  • There are currently no refbacks.


Copyright (c) 2025 Buletin Sistem Informasi dan Teknologi Islam (BUSITI)

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.