Analisis Perbandingan Metode Support Vector Machine dan Naïve Bayes pada Persepsi Publik terhadap Naturalisasi Pemain Timnas Sepak Bola Indonesia: Studi Kasus Sosial Media X
DOI:
https://doi.org/10.21831/jiety.v3i2.2162Keywords:
Analisis Sentimen, Naturalisasi, Persepsi Publik, Support Vector Machine, Naïve BayesAbstract
Pemerintah menerapkan kebijakan naturalisasi untuk meningkatkan prestasi Timnas Sepak Bola Indonesia, namun hal ini menimbulkan sentimen yang beragam di masyarakat. Penelitian ini bertujuan untuk membandingkan performa algoritma Support Vector Machine (SVM) dan Naïve Bayes serta menganalisis persepsi publik terhadap kebijakan tersebut melalui data media sosial X. Dengan menggunakan metodologi Cross Industry Standard Process for Data Mining (CRISP-DM), penelitian ini mengolah 10.454 data yang diambil dari Januari 2020 hingga Januari 2025. Hasil evaluasi menunjukkan SVM lebih unggul dengan akurasi 0,80 dan F1-score 0,72, dibandingkan Naïve Bayes dengan akurasi 0,76 dan F1-score 0,66. Analisis sentimen mengungkapkan bahwa persepsi publik secara keseluruhan cenderung negatif jika dibandingkan langsung dengan sentimen positif, meskipun sentimen netral sedikit lebih unggul. Implikasi dari penelitian ini adalah memberikan wawasan berbasis data bagi PSSI untuk mengevaluasi dan merumuskan strategi komunikasi kebijakan naturalisasi yang lebih efektif dan sejalan dengan aspirasi publik.
Downloads
References
Adharani, S. K., Kacung, S., & Vitianingsih, A. V. (2025). Sentiment Analysis on Indonesian National Football Team Naturalization using KNN and SVM.
Adi Yaksa, M. (2024, September 17). Membandingkan Jumlah Pemain Naturalisasi Timnas Indonesia di Era Shin Tae-yong dan Sebelumnya. bola.com. https://www.bola.com/indonesia/read/5703718/membandingkan-jumlah-pemain-naturalisasi-timnas-indonesia-di-era-shin-tae-yong-dan-sebelumnya
Agustine Fitrana, Lady, Linawati, S., Herlinawati, N., Sa’adah, R., & Seimahuria, S. (2024). ANALISIS SENTIMEN PENGGUNA TWITTER TERHADAP BRAND INDOSAT MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER. JATI (Jurnal Mahasiswa Teknik Informatika), 8(3), 4291–4297. https://doi.org/10.36040/jati.v8i3.9866
Ayele, W. Y. (2021). Adapting CRISP-DM for Idea Mining: A Data Mining Process for Generating Ideas Using a Textual Dataset. https://doi.org/10.48550/ARXIV.2105.00574
Cazacu, M., Titan, E., & The Bucharest University of Economic Studies. (2020). Adapting CRISP-DM for Social Sciences. BRAIN. Broad Research in Artificial Intelligence and Neuroscience, 11(2sup1), 99–106. https://doi.org/10.18662/brain/11.2Sup1/97
CNBC Indonesia, T. I. (2025, January 6). Era STY Timnas Indonesia Naik 46 Peringkat, Garuda Kembali Ganas! [NewsLetter]. CNBC Indonesia. https://www.cnbcindonesia.com/research/20250106123430-128-601046/era-sty-timnas-indonesia-naik-46-peringkat-garuda-kembali-ganas
Dåderman, A., & Rosander, S. (2018). Evaluating Frameworks for Implementing Machine Learning in Signal Processing.
F. Karaca, M. (2024). Effects of Preprocessing on Text Classification in Balanced and Imbalanced Datasets. KSII Transactions on Internet and Information Systems, 18(3). https://doi.org/10.3837/tiis.2024.03.004
Franko, B., Wilyanto, N., & Irsyad, H. (2024). Analisis Sentimen Terhadap Naturalisasi Pemain pada Youtube Menggunakan Decision Tree dan Naive Bayes. 03.
Hafidz, N., Anggraeni, S., & Gata, W. (2020). Sentimen Analisis Informasi Covid-19 menggunakan Support Vector Machine dan Naïve Bayes.
Kemp, S. (2025, March 12). X Users, Stats, Data, Trends, and More. DataReportal – Global Digital Insights. https://datareportal.com/essential-x-stats
Kurniawan, D. (2022). OPTIMIZATION SENTIMENT ANALYSIS USING CRISP-DM AND NAÏVE BAYES METHODS IMPLEMENTED ON SOCIAL MEDIA.
Lubis, M. G. R., Sitompul, D. S., Giovanni, T. M., Ramadhani, F., & Dewi, S. (2024). Evaluasi Kinerja Algoritma Support Vector Machine (SVM) Dalam Analisis Sentimen Publik Terhadap Naturalisasi Timnas Indonesia di Twitter. Journal of Accounting Law Communication and Technology, 2(1), 81–89. https://doi.org/10.57235/jalakotek.v2i1.4180
Luthfanida, L. (2022). ANALISIS SENTIMEN DATA TWITTER MENGGUNAKAN METODE NAIVE BAYES DAN SUPPORT VECTOR MACHINE (SVM) TENTANG PRESIDEN JOKOWI 3 PERIODE. Djtechno: Jurnal Teknologi Informasi, 3(1), 5–11. https://doi.org/10.46576/djtechno.v3i1.2143
Makmur, H., Wulandari, W., Surianto, D. F., & Fajar B, M. (2024). Analisis Sentimen Penghapusan Skripsi sebagai Tugas Akhir Mahasiswa Menggunakan Metode Multi-Layer Perceptron. Komputika : Jurnal Sistem Komputer, 13(2). https://doi.org/10.34010/komputika.v13i2.12402
Mulyana, A., Shafira, D., Aditya, F. A., Anggia, I. R., Haq, M. A., Daud, M. R. B., Putri, N. N. K., & Ardhiyansah, S. (2024). Mengapa Sepak Bola Menjadi Populer di Kalangan Siswa Sekolah Dasar? Indo-MathEdu Intellectuals Journal, 5(3), 3284–3289. https://doi.org/10.54373/imeij.v5i3.1261
Pratiwi, A. A., & Kamayani, M. (2024). Perbandingan Pelabelan Data dalam Analisis Sentimen Kurikulum Proyek di platform TikTok: Pendekatan Naïve Bayes. Jurnal Eksplora Informatika, 14(1), 96–107. https://doi.org/10.30864/eksplora.v14i1.1093
Rainer, P. (2025, February 13). Seberapa Sering Masyarakat Tonton Pertandingan Liga Utama Indonesia? Seberapa Sering Masyarakat Tonton Pertandingan Liga Utama Indonesia? https://goodstats.id/article/menilik-data-tingkat-ketersaksian-liga-utama-di-indonesia-X9hyu
Satria, H. (2024). Helmisatria/tweet-harvest [TypeScript]. https://github.com/helmisatria/tweet-harvest (Original work published 2023)
Schmidt, C. W., Reddy, V., Zhang, H., Alameddine, A., Uzan, O., Pinter, Y., & Tanner, C. (2024). Tokenization Is More Than Compression (No. arXiv:2402.18376). arXiv. https://doi.org/10.48550/arXiv.2402.18376
World Football Report. (2022). Nielsen Company. https://denisdoeland.com/wp-content/uploads/2022/09/Nielsen-World-Football-Report-2022.pdf
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Journal of Information Engineering and Technology
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
