Analisis Sentimen Pemindahan Ibu Kota Nusantara (IKN) dengan Algoritma Random Forest, Naive Bayes, dan Support Vector Machine

Siti Azizah Aini; Afril Efan Pajri; Alif Yuanita Kartini

doi:10.51454/decode.v6i1.1567

Authors

Siti Azizah Aini Teknik Informatika Universitas Nahdlatul Ulama Sunan Giri
Afril Efan Pajri Sistem Komputer Universitas Nahdlatul Ulama Sunan Giri
Alif Yuanita Kartini Statistika Universitas Nahdlatul Ulama Sunan Giri

DOI:

https://doi.org/10.51454/decode.v6i1.1567

Keywords:

Analisis Sentimen, IKN, Naive Bayes, Random Forest, SVM

Abstract

Reaksi masyarakat Indonesia terhadap pemindahan Ibu Kota Nusantara (IKN) bervariasi, terutama di media sosial, yang merupakan platform utama untuk menyuarakan pendapat. Tujuan penelitian ini adalah untuk mengevaluasi persepsi publik tentang rencana pemindahan IKN dengan menggunakan tiga metode klasifikasi yaitu Random Forest, Naïve Bayes, dan Support Vector Machine (SVM). Data diproses melalui beberapa tahap preprocessing, Tahap-tahap ini termasuk tokenisasi, penghilangan kata umum, pemrosesan huruf, pembersihan teks, dan pengurangan kata dasar. Pelabelan data mengelompokkan komentar dalam kategori sentimen positif dan negatif, sedangkan ekstraksi fitur dilakukan dengan metode TF-IDF. Dataset tersebut kemudian dibagi menjadi dua, 20% untuk data pengujian dan 80% untuk data latihan. Hasil penelitian ini menunjukkan bahwa setiap model memiliki tingkat akurasi yang berbeda, dengan Random Forest mencapai 98%, Naïve Bayes 91%, dan SVM 97%, yang menunjukkan bahwa Random Forest adalah algoritma ensemble yang paling akurat dan dapat digunakan untuk analisis sentimen.Studi ini menemukan bahwa setiap model memberikan tingkat akurasi yang berbeda. Hasil penelitian ini menunjukkan bahwa Random Forest adalah algoritma ensemble terbaik untuk mengelompokkan sentimen publik tentang masalah pemindahan IKN. Kesimpulan penelitian ini menekankan bahwa menggunakan algoritma ensemble seperti Random Forest dapat menghasilkan analisis sentimen yang lebih akurat, dan ini dapat digunakan sebagai pedoman untuk proses pengambilan keputusan di masa mendatang tentang evaluasi kebijakan publik

References

Agtira, B. H., Handayani, H. H., & Masruriyah, A. F. N. (2023). Perbandingan Algoritma NBC dan Decision Tree pada Sentimen Analisis Mengenai Vaksinasi Covid-19 Di Indonesia. Remik, 7(1), 704–712. https://doi.org/10.33395/remik.v7i1.12151

Ais, S. R., & Sanjaya, U. P. (2025). Perbandingan Algoritma Random Forest, XGBoost, dan Logistic Regression untuk Prediksi Risiko Kekambuhan Kanker Tiroid. Edumatic: Jurnal Pendidikan Informatika, 9(1), 236–245. https://doi.org/10.29408/edumatic.v9i1.29644

Arsi, P., & Waluyo, R. (2021). Analisis Sentimen Wacana Pemindahan Ibu Kota Indonesia Menggunakan Algoritma Support Vector Machine (SVM). Jurnal Teknologi Informasi Dan Ilmu Komputer, 8(1), 147-156. https://doi.org/10.25126/jtiik.0813944

Cesar, W., Saputra, R. R., & Triyono, G. (2024). Perancangan Model Sistem Pendukung Keputusan Untuk Menentukan Formasi CASN Menggunakan Naïve Bayes dan Simple Additive Weighting. Decode: Jurnal Pendidikan Teknologi Informasi, 4(1), 239–250. https://doi.org/10.51454/decode.v4i1.260

Darmawan, R., Indra, I., & Surahmat, A. (2022). Optimalisasi Support Vector Machine (SVM) Berbasis Particle Swarm Optimization (PSO) Pada Analisis Sentimen Terhadap Official Account Ruang Guru di Twitter. Jurnal Kajian Ilmiah, 22(2), 143–152. https://doi.org/10.31599/jki.v22i2.1130

Hadi, N., & Sugiarto, D. (2025). Analisis Sentimen Pembangunan IKN pada Media Sosial X Menggunakan Algoritma SVM, Logistic Regression dan Naïve Bayes. Jurnal Informatika: Jurnal Pengembangan IT, 10(1), 37–49. https://doi.org/10.30591/jpit.v10i1.7106

Hanifatun, F., & Zahrotun, L. (2025). Penerapan Data Mining Dalam Pemberian Kelayakan Kredit Nasabah Pada Badan Usaha Milik Desa Gedong Gincu Dengan Metode Naïve Bayes. Jurnal Informatika: Jurnal Pengembangan IT, 10(1), 226-236 . https://doi.org/10.30591/jpit.v10i1.5939

Huang, D., & Wasito, I. (2024). Analisis Peran Atlet Dota 2 Dengan Algoritma Random Forest. Decode: Jurnal Pendidikan Teknologi Informasi, 4(1), 107–115. https://doi.org/10.51454/decode.v4i1.216

Huda, C., & Yel, M. B. (2024). Analisa Sentimen Tentang Ibu Kota Nusantara (IKN) Dengan Menggunakan Algoritma K-Nearest Neighbors (KNN) dan Naïve Bayes. Jurnal Ilmu Komputer Dan Sistem Informasi, 7(1), 126–130. https://dx.doi.org/10.55338/jikomsi.v7i1.2846

Idris, I. S. K., Mustofa, Y. A., & Salihi, I. A. (2023). Analisis Sentimen Terhadap Penggunaan Aplikasi Shopee Mengunakan Algoritma Support Vector Machine (SVM). Jambura Journal of Electrical and Electronics Engineering, 5(1), 32–35. https://doi.org/10.37905/jjeee.v5i1.16830

Kawani, G. (2019). Implementasi Naive Bayes Untuk Menentukan Wadah Limbah B3 Sesuai Karakteristik. Journal of Informatics Information System, Software Engineering and Applications, 1(2), 73–81. https://doi.org/10.20895/inista.v1i2.73

Marga, N. S., Isnain, A. R., & Alita, D. (2020). Sentimen Analisis Tentang Kebijakan Pemerintah Terhadap Kasus Corona Menggunakan Metode Naive Bayes. Jurnal Informatika Dan Rekayasa Perangkat Lunak, 2(4), 453–463. https://doi.org/10.33365/jatika.v2i4.1602

Mulyani, S., & Pajri, A. E. (2024). Klasisifikasi Tingkat Kemiskinan Di Indonesia Menggunakan Algoritma Naive Bayes. Journal Of Computer Sciences and Informatics, 1(2), 53-57. https://doi.org/10.34304/scientific.v1i2.333

Pamungkas, A. S., & Cahyono, N. (2024). Analisis Sentimen Review ChatGPT di Play Store menggunakan Support Vector Machine dan K-Nearest Neighbor. Edumatic: Jurnal Pendidikan Informatika, 8(1), 1–10. https://doi.org/10.29408/edumatic.v8i1.24114

Safira, A., & Hasan, F. N. (2023). Analisis Sentimen Masyarakat Terhadap Paylater menggunakan Metode Naive Bayes Classifier. ZONAsi: Jurnal Sistem Informasi, 5(1), 59–70. https://doi.org/10.31849/zn.v5i1.12856

Saputra, A., & Hasan, F. N. (2023). Analisis Sentimen Terhadap Aplikasi Coffee Meets Bagel Dengan Algoritma Naïve Bayes Classifier. SIBATIK JOURNAL: Jurnal Ilmiah Bidang Sosial, Ekonomi, Budaya, Teknologi, Dan Pendidikan, 2(2), 465–474. https://doi.org/10.54443/sibatik.v2i2.579

Sarumpaet, L. H., & Suryono, R. R. (2025). Analisis Sentimen Publik Program PPPK di Media Sosial X menggunakan Naïve Bayes dan SVM. Edumatic: Jurnal Pendidikan Informatika, 9(2), 362–371. https://doi.org/10.29408/edumatic.v9i2.30065

Septianingrum, F., & Irawan, A. S. Y. (2021). Metode Seleksi Fitur Untuk Klasifikasi Sentimen Menggunakan Algoritma Naive Bayes: Sebuah Literature Review. Jurnal Media Informatika Budidarma, 5(3), 799. https://doi.org/10.30865/mib.v5i3.2983

Setiawan, A., & Suryono, R. R. (2024). Analisis Sentimen Ibu Kota Nusantara menggunakan Algoritma Support Vector Machine dan Naïve Bayes. Edumatic: Jurnal Pendidikan Informatika, 8(1), 183–192. https://doi.org/10.29408/edumatic.v8i1.25667

Shafa, B., Handayani, H., Lestari, S. A. P., & Cahyana, Y. (2024). Prediksi Kanker Paru dengan Normalisasi menggunakan Perbandingan Algoritma Random Forest, Decision Tree dan Naïve Bayes. Decode: Jurnal Pendidikan Teknologi Informasi, 4(3), 1057–1070. https://doi.org/10.51454/decode.v4i3.779

Supriyanto, J., Alita, D., & Isnain, A. R. (2023). Penerapan Algoritma K-Nearest Neighbor (K-NN) Untuk Analisis Sentimen Publik Terhadap Pembelajaran Daring. Jurnal Informatika Dan Rekayasa Perangkat Lunak, 4(1), 74–80. https://doi.org/10.33365/jatika.v4i1.2468

Styawati, S., Hendrastuty, N., & Isnain, A. R. (2021). Analisis Sentimen Masyarakat Terhadap Program Kartu Prakerja Pada Twitter Dengan Metode Support Vector Machine. Jurnal Informatika: Jurnal Pengembangan IT, 6(3). https://doi.org/10.30591/jpit.v6i3.2870

Yaqin, A. A., Barata, M. A., & Mahmudah, N. (2025). Implementation of the Random Forest Algorithm with Optuna Optimization in Lung Cancer Classification. Jurnal Sistem Informasi, 14, 561–569.