ANALISIS SENTIMEN TERHADAP FILM “DIRTY VOTE” PADA MEDIA SOSIAL X DAN YOUTUBE DENGAN ALGORITMA NAIVE BAYES DAN SVM

Atiqah Meutia Hilda; Kukuh Hadi Sasongko;

Analisis Sentimen Terhadap Film “Dirty Vote” Pada Media Sosial X dan

Youtube dengan Algoritma Naive Bayes dan SVM

Kukuh Hadi Sasongko

Pemilihan presiden dan wakil presiden di Indonesia pada tahun 2024 memicu diskusi luas di media
sosial, khususnya mengenai pencalonan Gibran sebagai calon wakil presiden. Film dokumenter
Dirty Vote memperdalam diskusi tersebut dengan mengungkap praktik kecurangan dan manipulasi
dalam pemilu, sehingga menimbulkan kekhawatiran publik terhadap integritas pemilu. Penelitian
ini bertujuan untuk menganalisis sentimen masyarakat terhadap film "Dirty Vote" di media sosial
YouTube dan Twitter (X) menggunakan algoritma Naïve Bayes dan SVM. Data dikumpulkan
melalui teknik crawling pada YouTube dan Twitter (X) dari tanggal 11 Februari 2024 hingga 30
Agustus 2024. Tahapan preprocessing yang dilakukan mencakup Cleansing, Transform Cases,
Tokenizing, Stopwords Removal, dan Stemming. Data yang diperoleh kemudian diklasifikasikan ke
dalam kategori sentimen positif dan negatif. Evaluasi model dilakukan menggunakan Confusion
Matrix yang meliputi accuracy, precision, dan recall. Hasil penelitian menunjukkan variasi performa
model pada kedua media sosial. Pada YouTube, algoritma Naïve Bayes mencapai akurasi 78,69%,
dengan precision 77,48% dan recall 80,83%, sementara SVM menunjukkan akurasi 86,32%,
precision 85,92%, dan recall 44,36%. Di Twitter (X), Naïve Bayes menghasilkan akurasi tertinggi
sebesar 73,78%, precision 73,15%, dan recall 65,66%, sedangkan SVM mencatatkan akurasi yang
sebesar yaitu 83,74%, dengan precision tertinggi sebesar 92,41% dan recall 57,48%. Hasil ini
menunjukkan bahwa SVM lebih unggul dalam precision, sedangkan Naïve Bayes memiliki recall
yang konsisten tinggi. Analisis menunjukkan ketidakpuasan terhadap integritas pemilu di hampir
semua platform YouTube dan Twitter (X).
Kata kunci: Dirty Vote, Twitter(X), Youtube, Naive Bayes, SVM
Sentiment Analysis of the Film "Dirty Vote" on Social Media X and YouTube

Using Naive Bayes and SVM Algorithms

Kukuh Hadi Sasongko

Indonesia's presidential and vice-presidential elections in 2024 sparked widespread discussion on
social media, particularly regarding Gibran's candidacy as a vice presidential candidate. The
documentary Dirty Vote deepened the discussion by exposing the practice of fraud and manipulation
in the election, raising public concerns about the integrity of the election. This study aims to analyze
public sentiment towards the Dirty Vote film on social media YouTube and Twitter (X) using Naïve
Bayes and SVM algorithms. Data was collected through crawling techniques on YouTube and
Twitter (X) from February 11, 2024 to August 30, 2024. The preprocessing stages include Cleansing,
Transform Cases, Tokenizing, Stopwords Removal, and Stemming. The data obtained is then
classified into positive and negative sentiment categories. Model evaluation is done using Confusion
Matrix which includes accuracy, precision, and recall. The results showed variations in model
performance on both social media. On YouTube, Naïve Bayes algorithm achieved 78,69% accuracy,
with 77,48% precision and 80,83% recall, while SVM showed 86,32% accuracy, 85,92% precision,
and 44,36% recall. On Twitter (X), Naïve Bayes produced the highest accuracy of 73,78%, precision
73,15%, and recall 65,66%, while SVM recorded the with accuracy of 83,74%, with the highest
precision of 92,41% and recall 57,48%. These results show that SVM is superior in precision, while
Naïve Bayes has a consistently high recall. The analysis showed dissatisfaction with election
integrity on almost all YouTube and Twitter (X) platforms.
Keywords: Dirty Vote, Twitter(X), Youtube, Naive Bayes, SVM