ANALISIS SENTIMEN MASYARAKAT PLATFORM X TERHADAP KORUPSI PT. PERTAMINA (PERSERO) MENGGUNAKAN METODE SVM
DOI:
https://doi.org/10.23960/jitet.v13i2.6399Abstract Views: 2027 File Views: 1889 File Views: 0 File Views: 0 File Views: 0
Abstract
Kasus korupsi PT. Pertamina (Persero) yang mencuat pada awal tahun 2025 telah menarik perhatian luas masyarakat, khususnya di platform X. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap kasus tersebut menggunakan algoritma Support Vector Machine (SVM) sebagai metode klasifikasi. Data diperoleh melalui teknik tweet harvest dengan kata kunci "korupsi pertamina" dalam rentang waktu 24 Februari 2025 hingga 31 Maret 2025, menghasilkan 280 data yang terdiri dari 7 sentimen positif dan 273 sentimen negatif. Tahapan penelitian mencakup pre-processing data, seperti pembersihan teks, tokenisasi, normalisasi, penghapusan stopword, dan stemming. Namun, karena dataset awal menunjukkan ketidakseimbangan kelas yang signifikan, dengan dominasi sentimen negatif, maka dari itu, digunakan metode Synthetic Minority Over-sampling Technique (SMOTE) untuk meningkatkan keseimbangan distribusi data. Hasil pengujian menunjukkan bahwa model SVM tanpa SMOTE memperoleh akurasi 89%, sedangkan setelah penerapan SMOTE, akurasi meningkat menjadi 96%. Hal ini membuktikan bahwa SMOTE mampu meningkatkan kinerja model dengan memperbaiki keseimbangan data. Penelitian ini berkontribusi dalam pengembangan analisis sentimen berbasis kecerdasan buatan, terutama dalam memahami persepsi publik terhadap isu sosialDownloads
References
D. Putri, “Korupsi Dan Prilaku Koruptif,” J. Pendidikan, Agama dan Sains, vol. V, pp. 49–54, 2021.
A. Mulyadi, “Ada apa dengan pertamina? analisis hukum terhadap kasus korupsi pt. pertamina parta niaga,” BHAKTI J. Antikorupsi, vol. 01, no. 01, pp. 37–48, 2025.
M. Zaenuddin, “Korupsi Pertamina Rugikan Negara Rp 193,7 Triliun, Bagaimana Awal Kasus Ini Terungkap?,” KOMPAS, Feb. 25, 2025. [Online]. Available: https://www.kompas.com/tren/read/2025/02/25/144500565/korupsi-pertamina-rugikan-negara-rp-193-7-triliun-bagaimana-awal-kasus-ini
B. Yudhatama Fitriargo, J. Sriwidodo, and G. Hendro, “Penegakan Hukum Monopoli Persaingan Usaha dalam Tender Proyek Kerjasama Pemerintah dengan Badan Usaha (KPBU),” J. Indones. Sos. Sains, vol. 3, no. 1, pp. 131–144, 2022, doi: 10.36418/jiss.v3i1.526.
S. Sweta, Sentiment Analysis and its Application in Educational Data Mining, 1st ed. Springer Singapore, 2024. doi: https://doi.org/10.1007/978-981-97-2474-1.
L. Ardiani, H. Sujaini, and T. Tursina, “Implementasi Sentiment Analysis Tanggapan Masyarakat Terhadap Pembangunan di Kota Pontianak,” J. Sist. dan Teknol. Inf., vol. 8, no. 2, p. 183, 2020, doi: 10.26418/justin.v8i2.36776.
H. Harnelia, “Analisis Sentimen Review Skincare Skintific Dengan Algoritma Support Vector Machine (Svm),” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 2, 2024, doi: 10.23960/jitet.v12i2.4095.
M. S. Ma’arif, J. H. Jaman, and A. S. Y. Irawan, “Analisis Sentimen Ulasan Aplikasi Investasi Menggunakan Algoritma Support Vector Machine Berbasis Particle Swarm Optimization,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 3, 2024, doi: 10.23960/jitet.v12i3.4569.
E. Fitri, “Sentiment Analysis of the Ruangguru Application Using Naive Bayes, Random Forest and Support Vector Machine Algorithms,” J. Transform., vol. 18, no. 1, p. 71, 2020.
K. Pramayasa, I. M. D. Maysanjaya, and I. G. A. A. D. Indradewi, “Analisis Sentimen Program Mbkm Pada Media Sosial Twitter Menggunakan KNN Dan SMOTE,” SINTECH (Science Inf. Technol. J., vol. 6, no. 2, pp. 89–98, 2023, doi: 10.31598/sintechjournal.v6i2.1372.
B. Liu, Sentiment Analysis and Opinion Mining. Springer Cham, 2012. doi: https://doi.org/10.1007/978-3-031-02145-9.
A. Pak and P. Paroubek, “Twitter as a corpus for sentiment analysis and opinion mining,” Proc. 7th Int. Conf. Lang. Resour. Eval. Lr. 2010, pp. 1320–1326, 2010, doi: 10.17148/ijarcce.2016.51274.
M. Z. Arifin, Tindak Pidana Korupsi Kerugian Ekonomi dan Keuangan Negara (Perspektif Hukum dan Praktik). Jakarta: Pt Publica Indonesia Utama, 2024. [Online]. Available: https://books.google.co.id/books?id=yk0rEQAAQBAJ&printsec=frontcover&hl=id#v=onepage&q&f=false
D. P. Anugrah S.B. and H. Supawirto, “ANALISIS SENTIMEN BANTUAN LANGSUNG TUNAI COVID-19 MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE,” in Prosiding Seminar Nasional Sanata Dharma Berbagi, Sanata Dharma University Press, 2022, pp. 72–84. [Online]. Available: https://books.google.co.id/books?hl=en&lr=&id=qCSjEAAAQBAJ&oi=fnd&pg=PA72&dq=SVM+adalah+salah+satu+algoritma+klasifikasi+yang+banyak+digunakan+dalam+Natural+Language+Processing+(NLP)+dan+analisis+sentimen.+Algoritma+ini+bekerja+dengan+menemukan+hyperplane+optimal+yang+memisahkan+kelas-kelas+data+secara+maksimal&ots=Tr_jTddb-M&sig=UPt_0SaR9nidjoy--ypof9Clz10&redir_esc=y#v=onepage&q&f=false
R. R. S. Putri Kumala Sari, “KOMPARASI ALGORITMA SUPPORT VECTOR MACHINE DAN RANDOM FOREST UNTUK ANALISIS SENTIMEN METAVERSE,” vol. 7, no. 1, pp. 31–39, 2024.
A. Kumar and A. Jaiswal, “Systematic literature review of sentiment analysis on Twitter using soft computing techniques,” Concurr. Comput. Pract. Exp., 2019, doi: https://doi.org/10.1002/cpe.5107.
Y. E. Kurniawati, “Class Imbalanced Learning Menggunakan Algoritma Synthetic Minority Over-sampling Technique – Nominal (SMOTE-N) pada Dataset Tuberculosis Anak,” J. Buana Inform., vol. 10, no. 2, pp. 134–143, 2019, doi: 10.24002/jbi.v10i2.2441.
A. Zuntriana, “#1Lib1Ref : Analisis Isi Pesan Advokasi Digital Satu Pustakawan Satu Referensi (One Librarian One Reference) di Twitter,” Al-Ma’arif J. Ilmu Perpust. dan Inf. Islam, vol. 4, pp. 131–140, 2023.
M. Undap, V. P. Rantung, and P. T. D. Rompas, “Analisis Sentimen Situs Pembajak Artikel Penelitian Menggunakan Metode Lexicon-Based,” Jointer - J. Informatics Eng., vol. 2, no. 02, pp. 39–46, 2021, doi: 10.53682/jointer.v2i02.44.
A. Nisa, “PERBANDINGAN METODE SUPPORT VECTOR MACHINE DAN NAIVE BAYES TERHADAP PENGGUNAAN ARTIFICIAL INTELLIGENCE DALAM PEMBUATAN SKRIPSI PADA MEDIA SOSIAL X,” UNIVERSITAS ISLAM NEGERI AR-RANIRY, 2024.
N. Purwati and A. Dwi Januanti, “Aplikasi Data Mining Dengan Algoritma Naive Bayes Untuk Memprediksi Tingkat Kelulusan Mahasiswa,” J. Pepadun, vol. 2, no. 1, pp. 123–137, 2021, doi: 10.23960/pepadun.v2i1.38.
D. H. Wahid and A. SN, “Peringkasan Sentimen Esktraktif di Twitter Menggunakan Hybrid TF-IDF dan Cosine Similarity,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 10, no. 2, p. 207, 2016, doi: 10.22146/ijccs.16625.
A. Syakur, “Implementasi Metode Lexicon Base Untuk Analisis Sentimen Kebijakan Pemerintah Dalam Pencegahan Penyebaran Virus Corona Covid-19 Pada Twitter,” J. Ilm. Inform. Komput., vol. 26, no. 3, pp. 247–260, 2021, doi: 10.35760/ik.2021.v26i3.4720.
F. Caroline, R. G. S. Budi, and M. E. Al Rivan, “Analisis Sentimen Masyarakat terhadap Kasus Korupsi PT. Timah Menggunakan Metode Support Vector Machine,” J. Ilmu Komput. dan Inform., vol. 4, no. 1, pp. 43–50, 2024, doi: 10.54082/jiki.141.
S. Ratnaswari, N. C. Wibowo, D. Satria, and Y. Kartika, “ANALISIS SENTIMEN MENGGUNAKAN METODE LEXICON-BASED DAN SUPPORT VECTOR MACHINE PADA PRESIDEN DAN WAKIL PRESIDEN INDONESIA,” vol. 13, no. 1, pp. 362–368, 2025.
