Analisis Sentimen terhadap Tarif Trump di Media Sosial Menggunakan Multinomial Naive Bayes

Rafly Saputro Poerwoto, Jotys (2026) Analisis Sentimen terhadap Tarif Trump di Media Sosial Menggunakan Multinomial Naive Bayes. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (589kB)
	PDF BAB_I.pdf Download (220kB)
	PDF BAB_II.pdf Download (287kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (402kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (232kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (216kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (816kB)
	Archive (ZIP) 00000073397_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Kebijakan tarif impor agresif pemerintahan Donald Trump menimbulkan ketidakpastian perdagangan global yang turut berdampak pada Indonesia sebagai salah satu mitra dagang utama Amerika Serikat. Kondisi ini memicu gelombang diskusi publik di platform media sosial Twitter/X dan YouTube, menjadikan kedua platform tersebut sebagai sumber data opini yang relevan untuk dianalisis secara komputasional. Penelitian ini bertujuan mengimplementasikan algoritma Multinomial Naive Bayes Classifier (MNBC) guna mengklasifikasikan sentimen masyarakat Indonesia terhadap kebijakan tarif Trump ke dalam tiga kategori, yaitu positif, negatif, dan netral. Sebagai masukan, digunakan 2.685 data opini publik berbahasa Indonesia yang dikumpulkan dari kedua platform tersebut. Data diproses melalui serangkaian tahapan yang meliputi preprocessing teks (cleaning, case folding, tokenization, normalisasi kata non-baku, stopword removal, dan stemming menggunakan pustaka Sastrawi), pelabelan otomatis berbasis kamus Indonesian Sentiment Lexicon (InSet), ekstraksi fitur menggunakan CountVectorizer, penyeimbangan kelas dengan SMOTE, serta pelatihan dan evaluasi model dengan rasio pembagian data 80:20. Sebagai keluaran, distribusi sentimen hasil klasifikasi menunjukkan dominasi kelas Positif (61,12%), diikuti Negatif (29,20%), dan Netral (9,68%). Model MNBC pada konfigurasi terbaik, yaitu stemming, CountVectorizer dengan unigram dan bigram, SMOTE, dan rasio 80:20 dengan parameter alpha=1,0 dan fit_prior=True, berhasil mencapai akurasi sebesar 72,0% dengan F1-score 70,90%, unggul dibandingkan konfigurasi TF-IDF (70,95%), hasil ini membuktikan kelayakan MNBC sebagai instrumen analisis sentimen teks informal berbahasa Indonesia dalam konteks kebijakan ekonomi internasional.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Rafly Saputro Poerwoto, Jotys (00000073397)
Contributors:	Endariahna Surbakti, Eunike
Keywords:	Analisis Sentimen, CountVectorizer, Kebijakan Tarif Trump, Media Sosial, Multinomial Naive Bayes
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	24 Jul 2026 08:05
URI:	https://kc.umn.ac.id/id/eprint/48034

Actions (login required)

View Item