Analisis Sentimen Komentar TikTok Dampak Konflik Iran-Israel terhadap Pasar Keuangan Global menggunakan Naïve Bayes
Article Sidebar
Main Article Content
Abstract
Konflik antara Iran dan Israel adalah isu geopolitik internasional yang berdampak pada pasar keuangan global dan memicu reaksi dari masyarakat melalui media sosial, terutama TikTok. Penelitian ini bertujuan menganalisis perasaan pengguna TikTok tentang dampak konflik antara Iran dan Israel terhadap pasar keuangan dunia dengan menggunakan metode Multinomial Naive Bayes. Dataset yang dikumpulkan melalui teknik web scraping dari beberapa akun TikTok bertema ekonomi, investasi, dan geopolitik berisi komentar yang mencakup keluhan subjektif seperti mata terasa merah, gatal, perih, dan panas. Tahapan penelitian mencakup proses mempersiapkan data yang meliputi mengubah semua kata menjadi huruf kecil, membersihkan data, memecah teks menjadi kata-kata individu, menghilangkan kata-kata umum, dan mengubah kata-kata menjadi bentuk dasarnya. Selanjutnya dilakukan penglabelan data secara otomatis dengan menggunakan model RoBERTa Indonesia, ekstraksi fitur dilakukan dengan metode TF-IDF, dan penyeimbangan data dilakukan dengan metode SMOTE.
Penelitian menunjukkan bahwa menggunakan metode SMOTE dan TF-IDF dapat memperbaiki hasil klasifikasi sentimen. Model Multinomial Naive Bayes mencapai akurasi sebesar 84% dan skor rata-rata makro F1 sebesar 0,84. Keluhan subjektif yang dialami oleh responden berupa rasa gatal, terbakar, perih, dan panas pada mata, dengan intensitas yang dominan berupa sentimen negatif sebesar 46,3%, diikuti oleh sentimen positif sebesar 12,5%, dan sentimen netral sebesar 41,2%. Hasil tersebut menunjukkan bahwa sebagian besar masyarakat memberikan jawaban yang informatif, tetapi masih ada kekhawatiran mengenai dampak konflik terhadap kondisi ekonomi dan pasar keuangan global. Penelitian ini menunjukkan bahwa algoritma Naive Bayes sangat berguna dalam menganalisis sentimen di media sosial dan dapat memberikan pemahaman tentang bagaimana masyarakat umum memandang isu geopolitik secara global.
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
M. Zulqornain, A. P. Widodo, and K. Adi, “Analisis sentimen media sosial menggunakan metode Naïve Bayes classifier,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 8, no. 5, pp. 1023–1030, 2021.
R. Mey Dina, A. Pratama, and Y. Nugroho, “Penerapan TF-IDF dan Naïve Bayes untuk analisis sentimen pada media sosial,” Jurnal Informatika Modern, vol. 12, no. 1, pp. 45–53, 2025.
M. Ziddan, R. Saputra, and D. Kurniawan, “Klasifikasi sentimen TikTok Shop menggunakan algoritma Naïve Bayes,” Jurnal Sistem Cerdas, vol. 10, no. 2, pp. 88–96, 2025.
S. Indriyani, D. Lestari, and F. Ramadhan, “Perbandingan metode Naïve Bayes dan Support Vector Machine pada analisis sentimen,” Jurnal Teknologi dan Sistem Informasi, vol. 9, no. 3, pp. 210–218, 2023.
N. Putri, M. Sari, and T. Hidayat, “Pemanfaatan Natural Language Processing untuk analisis sentimen pada media sosial,” Jurnal Ilmu Komputer dan Data Science, vol. 11, no. 2, pp. 67–75, 2025.
A. Rahman and E. Prasetyo, “Text preprocessing dalam analisis sentimen bahasa Indonesia,” Jurnal Pengolahan Data, vol. 7, no. 1, pp. 15–23, 2020.
F. Z. Tala, A Study of Stemming Effects on Information Retrieval in Bahasa Indonesia, Master’s thesis, Universiteit van Amsterdam, 2003.
J. Ramos, “Using TF-IDF to determine word relevance in document queries,” in Proc. First Instructional Conf. Machine Learning, 2003.
A. McCallum and K. Nigam, “A comparison of event models for Naïve Bayes text classification,” in AAAI Workshop on Learning for Text Categorization, 1998.
C. D. Manning, P. Raghavan, and H. Schütze, Introduction to Information Retrieval. Cambridge: Cambridge University Press, 2008.
R. Kohavi, “A study of cross-validation and bootstrap for accuracy estimation and model selection,” in Proc. IJCAI, 1995.
M. Sokolova and G. Lapalme, “A systematic analysis of performance measures for classification tasks,” Information Processing & Management, vol. 45, no. 4, pp. 427–437, 2009.
N. V. Chawla, K. W. Bowyer, L. O. Hall, and K. W. Kegelmeyer, “SMOTE: Synthetic Minority Over-sampling Technique,” Journal of Artificial Intelligence Research, vol. 16, pp. 321–357, 2002.
B. Liu, Sentiment Analysis and Opinion Mining. California: Morgan & Claypool Publishers, 2012.
I. H. Witten, E. Frank, M. A. Hall, and C. J. Pal, Data Mining: Practical Machine Learning Tools and Techniques, 4th ed. Burlington: Morgan Kaufmann, 2016.