ANALISIS SENTIMEN TERKAIT HILIRISASI INDUSTRI PADA OPINI MASYARAKAT X DENGAN MENGGUNAKAN NAIVE BAYES

Aditya Budi Pratama; Dimas Febriawan;

ABSTRAK

Analisis Sentimen Terkait Hilirisasi Industri Pada Opini Masyarakat X dengan Menggunakan Naive Bayes

Aditya Budi Pratama

Penelitian ini bertujuan untuk mengevaluasi sentimen masyarakat terhadap kebijakan hilirisasi
industri di Indonesia dengan memanfaatkan data dari platform media sosial X (Twitter). Metode
yang digunakan dalam penelitian ini adalah algoritma Naive Bayes, yang dikembangkan untuk
mengklasifikasikan opini publik ke dalam tiga kategori sentimen, yaitu positif dan negatif. Data
dikumpulkan melalui proses web crawling dengan menggunakan Twitter API dan bantuan Tweet
Harvest, dalam rentang waktu September 2023 hingga September 2024, dengan total data
terkumpul sebanyak 1.400 tweet. Setelah dilakukan tahap preprocessing—yang meliputi
pembersihan teks, normalisasi huruf, tokenisasi, penghapusan stopword, data kemudian dilabeli
secara otomatis dengan pendekatan lexicon-based untuk memastikan akurasi dalam penentuan
sentimen. Data yang telah dilabeli kemudian digunakan untuk melatih dan menguji model Naive
Bayes. Hasil penelitian menunjukkan bahwa algoritma Naive Bayes mampu mencapai akurasi
sebesar 81,75%, dengan kinerja terbaik dalam mendeteksi sentimen positif, yaitu precision
sebesar 86,63% dan recall sebesar 92,01%. Namun demikian, kinerja model dalam mendeteksi
sentimen negatif masih tergolong rendah, dengan recall sebesar 34,25%, yang disinyalir
disebabkan oleh distribusi data yang tidak seimbang. Temuan ini memberikan gambaran mengenai
kecenderungan opini publik yang dominan mendukung kebijakan hilirisasi, namun juga
menyiratkan adanya kelompok masyarakat yang kritis terhadap dampak sosial dan lingkungan.
Penelitian ini memberikan kontribusi penting dalam konteks analisis kebijakan publik berbasis
media sosial, serta menyarankan perlunya peningkatan model klasifikasi untuk menghasilkan
pemetaan opini yang lebih representatif. Selain itu, penggunaan media sosial X memungkinkan
analisis dilakukan secara real-time, sehingga sangat relevan untuk memantau dinamika persepsi
publik terhadap isu-isu strategis nasional.

Kata Kunci: Hilirisasi Industri; Analisis Sentimen; Naive Bayes; Media Sosial X

Sentiment Analysis on Public Opinion Regarding Industrial Downstreaming Policy on X Using Naive Bayes Algorithm

Aditya Budi Pratama

This study aims to evaluate public sentiment toward Indonesia’s industrial downstreaming policy
by utilizing data from the social media platform X (Twitter). The research applies the Naive Bayes
algorithm to classify public opinion into three sentiment categories: positive and negative. Data
were collected through a web crawling process using the Twitter API and Tweet Harvest library
between September 2023 and September 2024, resulting in a total of 1,400 tweets. The collected
data underwent preprocessing, including text cleansing, case normalization, tokenization,
stopword removal. The dataset was then automatically labeled using a lexicon-based sentiment
approach to ensure classification accuracy before being used for model training and testing.The
findings indicate that the Naive Bayes algorithm achieved an accuracy of 81.75%, with the best
performance in identifying positive sentiment, achieving a precision of 86.63% and a recall of
92.01%. However, the model showed limited capability in detecting negative sentiment, with a
recall of 34.25%, likely due to data imbalance. These results highlight a general trend of public
support toward the downstreaming policy while also revealing concerns among a portion of the
population regarding social and environmental impacts. This study contributes significantly to
policy analysis through social media-based sentiment monitoring, and recommends
improvements in classification models for more balanced and representative sentiment detection.
Moreover, leveraging X as a data source enables real-time public opinion tracking, making it
highly relevant for understanding dynamic public responses to national policy issues.

Keywords: Industrial Downstreaming; Sentiment Analysis; Naive Bayes; Social Media X