Catalog Detail

Perundungan daring terhadap anak di media sosial menimbulkan berbagai respons publik sehingga perlu dianalisis untuk memahami kecenderungan sentimen masyarakat. Penelitian ini dilakukan untuk menganalisis kinerja algoritma Naïve Bayes dalam klasifikasi sentimen dengan membandingkan skenario Random Oversampling, Random Undersampling, dan Non-balancing, sekaligus mengkaji kecenderungan sentimen masyarakat terhadap kasus perundungan anak di media sosial. Dataset yang digunakan dalam penelitian ini mencakup 3.137 komentar yang diperoleh dari platform Twitter melalui proses ekstraksi data menggunakan Instant Data Scraper. Data kemudian melalui tahapan pra-pemrosesan yang meliputi text cleaning, case folding, text tokenization, text normalization, stopword removal, dan stemming. Dalam penelitian ini, pelabelan sentimen dilakukan secara otomatis menggunakan pendekatan berbasis lexicon dengan kamus InSet sebagai acuan untuk menentukan kelas negatif, netral, dan positif. Selanjutnya dilakukan pengujian dengan beberapa teknik penyeimbangan data yaitu random oversampling, random undersampling, dan Non Balancing, serta mengevaluasi model pada empat skenario rasio pembagian data, yaitu 90:10, 80:20, 70:30, dan 60:40 untuk data pelatihan dan pengujian. Hasil evaluasi menunjukkan bahwa model Naïve Bayes menghasilkan tingkat kinerja yang beragam pada masing-masing skenario yang diuji, dengan nilai akurasi tertinggi sebesar 0,8636 pada teknik random oversampling dengan pembagian data 90:10, lebih tinggi dibandingkan random undersampling sebesar 0,7608 dan tanpa penyeimbangan sebesar 0,6213. Lebih lanjut, hasil analisis sentimen menunjukkan bahwa sebagian besar tanggapan publik termasuk ke dalam kategori sentimen negatif. Dengan demikian, teknik penyeimbangan data terbukti efektif dalam meningkatkan kinerja model Naïve Bayes serta membantu dalam memahami pola sentimen publik.
Keywords: analisis sentimen, perundungan daring, klasifikasi sentimen, penyeimbangan data, media sosial, twitter