Analisis Sentimen Aplikasi Playstore Sirekap 2024 Pasca Pilpres Dengan Perbandingan Metode Support Vector Machine (SVM), Naïve Bayes Classifier Dan Random Forest.
DOI:
https://doi.org/10.25126/jtiik.2025129608Kata Kunci:
Sirekap 2024, Support Vector Machine (SVM), Naïve Bayes dan Random ForestAbstrak
Aplikasi Sirekap merupakan sebuah aplikasi berbasis website yang mengandalkan teknologi Optical Character Recognition (OCR) dan Optical Mark Reader (OMR) dalam pengoperasiannya. Perkembangan teknologi ini digunakan untuk mempermudah proses perhitungan suara dengan QuickCount yang sifatnya sementara oleh KPU pada Pemilihan Presiden dan Wakil-Presiden Indonesia Periode 2024. Kedua teknologi tersebut memiliki peran penting dalam mengotomatisasi pola proses baca dan hitung secara real-time. Dengan demikian, analisis sentimen diperlukan untuk mengekstraksi komentar teks dari opini publik tentang aplikasi Sirekap 2024 di Play Store. Penelitian ini berkaitan dengan analisis sentimen terkait hasil perhitungan suara yang menimbulkan ketidaksesuaian di aplikasi Sirekap 2024, apakah bersifat positif atau negatif. Tahapan teknik yang digunakan dalam penelitian ini meliputi scraping data, pre-processing data, pelabelan pola, ekstraksi fitur/pembobotan, pembagian data, dan proses klasifikasi analisis sentimen. Pengumpulan data primer dilakukan menggunakan program Python di aplikasi Google Colab dengan teknik google play scraper di aplikasi playstore android Sirekap 2024. Metode klasifikasi yang digunakan adalah Support Vector Machine, Naïve Bayes, dan Random Forest untuk mengklasifikasikan data. Hasil klasifikasi SVM adalah 82%, Naïve Bayes adalah 71%, dan Random Forest adalah 81%. Dari ketiga metode klasifikasi, kinerja terbaik dalam mengidentifikasi adalah metode klasifikasi SVM dengan akurasi 82%, presisi 82%, recall 82%, dan F1-Score 82%.
Abstract
The Sirekap application is a web-based application that relies on Optical Character Recognition (OCR) and Optical Mark Reader (OMR) technology in its operation. The development of this technology is used to facilitate the vote counting process with a temporary QuickCount by the KPU in the 2024 Indonesian Presidential and VicePresidential Elections. Both technologies play an important role in automating the reading and counting process patterns in real-time. Thus, sentiment analysis is necessary to extract text comments from public opinion about the Sirekap 2024 application on the Play Store. This research is related to sentiment analysis concerning the vote count results that cause discrepancies in the Sirekap 2024 application, whether they are positive or negative. The technical stages used in this research include data scraping, data pre-processing, pattern labeling, feature extraction/weighting, data splitting, and the sentiment analysis classification process. Primary data collection was conducted using a Python program in the Google Colab application with the Google Play scraper technique in the Sirekap 2024 Android Play Store application. The classification methods used are Support Vector Machine, Naïve Bayes, and Random Forest to classify the data. The SVM classification result is 82%, Naïve Bayes is 71%, and Random Forest is 81%. Among the three classification methods, the best performance in identification is the SVM classification method with an accuracy of 82%, precision of 82%, recall of 82%, and F1-Score of 82%.
Downloads
Referensi
ALEXANDER RADJA BRIA, NYONGKI, and ARITA WITANTI. 2024. “Analisis Sentimen Masyarakat Indonesia Menggunakan Algoritma Support Vector Machine Tentang Pilpres 2024.” JATI (Jurnal Mahasiswa Teknik Informatika) 7(6): 3328–33.
ALIYAH, AWWALIYAH. 2024. “Analisis Sentimen Twitter Terhadap Tren Penyebaran Informasi Pelaku Kejahatan Menggunakan Algoritma Naives Bayes Mengklasifikasikan Sentimen Dari Data Twitter . Hasil Dari Analisis Ini Diharapkan Dapat.” (2): 85–97.
ANDRIAN, EKA, and AULIA RAHMAN ISNAIN. 2024. “Analisis Sentimen Masyarakat Terhadap Tiktok Shop Di Twitter Menggunakan Metode Naive Bayes Classifier.” Jurnal Media Informatika Budidarma 8(April): 788–96.
AULIA, GUSTI NUR, and EKA PATRIYA. 2019. “Implementasi Lexicon Based Dan Naive Bayes Pada Analisis Sentimen Pengguna Twitter Topik Pemilihan Presiden 2019.” Jurnal Ilmiah Informatika Komputer 24(2): 140–53.
ELISA, PUTRI, and AULIYA RAHMAN ISNAIN. 2024. “Comparison of Random Forest, Support Vector Machine and Naive Bayes Algorithms to Analyze Sentiment Towards Mental Health Stigma.” Jurnal Teknik Informatika (JUTIF) 5(1): 321–29.
FITRI, EVITA. 2020. “Analisis Sentimen Terhadap Aplikasi Ruangguru Menggunakan Algoritma Naive Bayes, Random Forest Dan Support Vector Machine.” Jurnal Transformatika 18(1): 71.
HERJANTO, MUHAMAD FAJAR YUDHISTIRA, and CARUDIN CARUDIN. 2024. “Analisis Sentimen Ulasan Pengguna Aplikasi Sirekap Pada Play Store Menggunakan Algoritma Random Forest Classifer.” Jurnal Informatika dan Teknik Elektro Terapan 12(2): 1204–10.
IRFAN RAIF, M ET AL. 2024. “Otomatisasi Pendeteksi Kata Baku Dan Tidak Baku Pada Data Twitter Berbasis Kbbi.” 11(2): 337–48.
JEFFSON SAGALA, GILBERT, and YUSRAN TIMUR SAMUEL. 2024. “Sentiment Analysis on ChatGPT App Reviews on Google Play Store Using random Forest Algorithm, Support Vector Machine and Naïve Bayes.” International Journal of Engineering Business and Social Science 2(04): 1194–1204.
MAULIZA, RISHA NUR, and YOANNES ROMANDO SIPAYUNG. 2024. “Penerapan Text Mining Dalam Menganalisis Pendapat Masyarakat Terhadap Pemilu 2024 Pada Media Sosial X Menggunakan Metode Naive Bayes.” Technomedia Journal 9(1): 1–16.
NASIONAL, SEMINAR, TEKNIK ELEKTRO, SISTEM INFORMASI, and TEKNIK INFORMATIKA. 2024. “Analisis Sentimen Terhadap Kecurangan Pemilu Dan SIREKAP Di Twitter Menggunakan Metode Vader Lexicon Dan Naïve Bayes.” : 397–403.
OKTAVIANA, NATASYA ELDHA, YUITA ARUM SARI, and INDRIATI INDRIATI. 2022. “Analisis Sentimen Terhadap Kebijakan Kuliah Daring Selama Pandemi Menggunakan Pendekatan Lexicon Based Features Dan Support Vector Machine.” Jurnal Teknologi Informasi dan Ilmu Komputer 9(2): 357–62.
PRAMANA, DEDI, M AFDAL, MUSTAKIM, and INGGIH PERMANA. 2023. “Analisis Sentimen Terhadap Pemindahan Ibu Kota Negara Menggunakan Algoritma Naive Bayes Classifier Dan K-Nearest Neightbors.” Jurnal Media Informatika Budidarma 7(3): 1306–14.
PRASETYO, VINCENTIUS RIANDARU, GATUM ERLANGGA, and DELTA ARDY PRIMA. 2023. “Analisis Sentimen Untuk Identifikasi Bantuan Korban Bencana Alam Berdasarkan Data Di Twitter Menggunakan Metode K-Means Dan Naive Bayes.” Jurnal Teknologi Informasi dan Ilmu Komputer 10(5): 1055–62.
PRIANSYAH, ERIK, and TATA SUTABRI. 2024. “IJM: Indonesian Journal of Multidisciplinary Analisis Sentimen Berbasis Naïve Bayes Pada Media Sosial Twitter Terhadap Hasil Pemilu Indonesia 2024.” IJM: Indonesian Journal of Multidisciplinary 2: 128–38.
SAETRIYAN, AKHSAN FIRLY, INTAN SYAHRANI, MELISA NURDIANA, and MUHAMAD RIZAL FAUZAN. 2024. “Analisis Yuridis Tentang Sengketa Pemilu Terhadap Pelaksanaan Sistem Informasi Rekapitulasi ( SIREKAP ) Yang Terindikasi ‘ Defect ’ Pada Pemilu Tahun 2024 Yang Berpotensi Merugikan Bakal Calon Presiden.” (3).
SALSABILLAH, DINAR FAIRUS, DIAN EKA RATNAWATI, and NANANG YUDI SETIAWAN. 2024. “Analisis Sentimen Ulasan Rumah Makan Menggunakan Perbandingan Algoritma Support Vector Machine Dengan Naive Bayes (Studi Kasus: Ayam Goreng Nelongso Cabang Singosari, Malang).” Jurnal Teknologi Informasi dan Ilmu Komputer 11(1): 107–16.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
