Perbandingan Algoritma Machine Learning untuk Analisis Sentimen Terhadap Mobil Listrik di Media Sosial (Studi Kasus : Ulasan Masyarakat di YouTube dan TikTok)

Abstract

Perkembangan mobil listrik di Indonesia semakin meningkat seiring dengan upaya pemerintah dalam mendorong penggunaan kendaraan ramah lingkungan. Seiring dengan hal tersebut, masyarakat banyak menyampaikan pendapat melalui media sosial. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap mobil listrik berdasarkan komentar pada YouTube dan TikTok serta membandingkan performa algoritma Regresi Logistik dan SVM. Data diperoleh melalui web scraping komentar, kemudian melalui tahap preprocessing yang meliputi case folding, remove punctuation, tokenisasi, normalisasi, stopword removal, dan stemming. Selanjutnya dilakukan identifikasi buzzer untuk memisahkan komentar yang tidak merepresentasikan opini asli pengguna. Hasil identifikasi menunjukkan bahwa sebagian besar data merupakan non-buzzer, dan perbandingan analisis menunjukkan bahwa keberadaan buzzer tidak memberikan perbedaan yang signifikan terhadap distribusi sentimen, topik pembahasan, maupun performa model klasifikasi. Pelabelan sentimen dilakukan menggunakan metode AFINN dengan dua kategori, yaitu positif dan negatif. Representasi teks menggunakan TF-IDF, serta dilakukan random oversampling untuk mengatasi ketidakseimbangan data. Evaluasi model menggunakan confusion matrix dengan metrik akurasi, presisi, recall, F1-score, TNR, dan G-Mean. Hasil penelitian menunjukkan bahwa sentimen masyarakat pada kedua platform didominasi oleh sentimen positif. Pada data YouTube, model Regresi Logistik menunjukkan performa terbaik dengan akurasi hingga 0.87 dan G-Mean 0.81, sementara SVM mencapai akurasi 0.86. Pada data TikTok, model SVM menunjukkan performa terbaik dengan akurasi sebesar 0.91 dan G-Mean 0.71. Perbandingan antara data dengan buzzer dan tanpa buzzer menunjukkan bahwa tidak terdapat perbedaan performa yang signifikan, meskipun pada beberapa metrik seperti TNR dan G-Mean, data dengan buzzer pada platform YouTube cenderung lebih seimbang dalam mendeteksi kelas negatif. Secara umum, kedua algoritma memiliki performa yang baik, meskipun deteksi sentimen negatif masih menjadi tantangan akibat ketidakseimbangan data.