Analisis Sentimen Pengguna Twitter Terhadap Kebijakan Royalti Restoran Dan Kafe Dengan Multinomial Naive Bayes

Stephanie Gabriella Wijaya; Suharyadi Suharyadi

doi:10.36080/idealis.v9i1.3698

Authors

Stephanie Gabriella Wijaya Sistem Informasi, Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana, Kota Salatiga, Indonesia
Suharyadi Suharyadi Sistem Informasi, Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana, Kota Salatiga, Indonesia

DOI:

https://doi.org/10.36080/idealis.v9i1.3698

Keywords:

Analisis Sentimen, Kebijakan Royalti, Twitter, Naive Bayes Classifier, SMOTE

Abstract

Kebijakan royalti musik di restoran dan kafe sebagaimana diatur dalam Peraturan Pemerintah Nomor 56 Tahun 2021 menimbulkan beragam respons di masyarakat, khususnya pelaku usaha dan pengguna layanan publik. Media sosial Twitter menjadi ruang utama bagi masyarakat untuk menyampaikan opini dan diskusi terkait kebijakan tersebut. Penelitian ini bertujuan menganalisis sentimen masyarakat terhadap kebijakan royalti di restoran dan kafe pada media sosial Twitter menggunakan metode Naive Bayes Classifier. Data dikumpulkan melalui teknik web scraping dengan memanfaatkan Tweet Harvest dan menghasilkan 1.513 tweet berbahasa Indonesia yang relevan. Pelabelan sentimen dilakukan menggunakan pendekatan lexicon-based ke dalam tiga kelas, yaitu positif, netral, dan negatif. Tahapan preprocessing meliputi data cleaning, tokenisasi, stopword removal, dan stemming menggunakan Sastrawi. Ekstraksi fitur dilakukan dengan metode TF-IDF, sedangkan ketidakseimbangan kelas ditangani menggunakan SMOTE. Optimasi model dilakukan melalui GridSearchCV dengan Stratified 5-Fold Cross Validation. Hasil penelitian menunjukkan bahwa sentimen netral mendominasi sebesar 81,96%, diikuti sentimen negatif sebesar 12,23% dan sentimen positif sebesar 5,82%. Model Multinomial Naive Bayes menghasilkan akurasi sebesar 95% dan F1-score sebesar 95% pada data uji, serta menunjukkan stabilitas yang cukup baik berdasarkan hasil cross validation. Temuan ini menunjukkan bahwa kombinasi Naive Bayes, TF-IDF, SMOTE, dan hyperparameter tuning efektif dalam menganalisis sentimen kebijakan publik berbasis data media sosial

Downloads

Download data is not yet available.

References

[1] A. Khusna and Y. Yamasari, “Analisis Sentimen Ulasan Google Maps Menggunakan Long Short-Term Memory (LSTM)(Studi Kasus: Kafe di Surabaya),” J. Informatics Comput. Sci., pp. 446–454, 2025.

[2] A. L. Gunawan, E. Kuspraningrum, and F. N. Hediati, “Implementasi Penarikan Royalti Pengguna Lagu/Musik Pada Usaha Mikro, Kecil, Kafe di Kota Samarinda,” J. Suara Huk., vol. 5, no. 1, pp. 190–206, 2023.

[3] W. Pertiwi, F. Firdaus, and N. Rasudin, “Tanggung Jawab Pembayaran Royalti Kepada Pemegang Hak Cipta Lagu Dan/Atau Musik Oleh Pelaku Usaha Kafe Di Kecamatan Sail Kota Pekanbaru,” Innov. J. Soc. Sci. Res., vol. 4, no. 4, pp. 8126–8138, 2024.

[4] L. Rhomaningtias, A. Khairunisa, S. S. M. Wara, and K. M. Hindrayani, “Analisis Sentimen Ulasan Aplikasi Smile Indonesia Menggunakan Metode Naive Bayes Dan Support Vector Machine (Svm): Sentiment Analysis Of Smile Indonesia Application Reviews Using Naive Bayes And Support Vector Machine (Svm) Methods,” HOAQ (High Educ. Organ. Arch. Qual. J. Teknol. Inf., vol. 16, no. 1, pp. 79–91, 2025.

[5] M. R. Awali, S. Wahyu, and A. H. Azizah, “Analisis Sentimen Opini Publik Terhadap Kasus Korupsi Bahan Bakar Minyak Oplosan PT Pertamina dengan Hybrid Model Deep Learning,” SKANIKA Sist. Komput. dan Tek. Inform., vol. 8, no. 2, pp. 244–256, 2025.

[6] M. A. F. Rahman, Z. R. Mair, and D. Sartika, “Klasifikasi Ulasan Pelanggan Shopee Mall Terhadap E-Commerce Penjualan Baju Batik Metode Naïve Bayes,” IDEALIS Indones. J. Inf. Syst., vol. 7, no. 2, pp. 164–177, 2024.

[7] E. Salim and A. Solichin, “Analisis Sentimen Pada Media Sosial Twitter Terhadap Pelayanan Dinas Kependudukan Dan Pencatatan Sipil Menggunakan Algoritma Naïve Bayes,” IDEALIS Indones. J. Inf. Syst., vol. 5, no. 2, pp. 79–86, 2022.

[8] F. A. Ramadhan, S. H. Sitorus, and T. Rismawan, “Penerapan Metode Multinomial Naïve Bayes untuk Klasifikasi Judul Berita Clickbait dengan Term Frequency-Inverse Document Frequency,” J. Sist. dan Teknol. Inf., vol. 11, no. 1, p. 70, 2023.

[9] D. Nurwahidah, G. Dwilestari, N. D. Nuris, and R. Narasati, “Analisis Sentimen Data Ulasan Pengguna Aplikasi Google Kelas Pada Google Play Store Menggunakan Algoritma Naïve Bayes,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 6, pp. 3673–3678, 2023.

[10] M. H. B. Ibrahim, A. Dzulkarnain, and A. Rausanfita, “Penggunaan Metode Naïve Bayes untuk Klasifikasi Topik Tweet Bidang dan Non-Bidang Rektorat Telkom University pada Akun Telyufess,” Bull. Comput. Sci. Res., vol. 5, no. 5, pp. 876–885, 2025.

[11] Z. Fatah, “Analisis Sentimen Komentar YouTube terhadap Tragedi Demo 25 Agustus Menggunakan Pendekatan Lexicon-Based,” J. Mhs. Tek. Inform., vol. 4, no. 2, pp. 217–224, 2025.

[12] R. Wati, S. Ernawati, and H. Rachmi, “Pembobotan TF-IDF Menggunakan Naïve Bayes pada Sentimen Masyarakat Mengenai Isu Kenaikan BIPIH,” J. Manaj. Inform., vol. 13, no. 1, pp. 84–93, 2023.

[13] C. Candra, K. W. Chandra, and H. Irsyad, “Efektifitas SMOTE dalam Mengatasi Imbalanced Class Algoritma K-Nearest Neighbors pada Analisis Sentimen terhadap Starlink,” J. Ilmu Komput. dan Inform., vol. 4, no. 1, pp. 31–42, 2024.

[14] S. Y. Nailendra, W. Witanti, and G. Abdillah, “Optimasi Prediksi Penjualan Retail Online Menggunakan LightGBM dan Hyperparameter Tuning,” J. Algoritm., vol. 22, no. 2, pp. 1931–1942, 2025.

[15] F. K. S. Dewi, “Klasifikasi Berita Menggunakan Metode Multinomial Naïve Bayes,” Scan J. Teknol. Inf. dan Komun., vol. 16, no. 3, pp. 1–8, 2021.

[16] T. Hardiani and R. N. Putri, “Implementasi Metode Naïve Bayes Classifier Untuk Klasifikasi Stunting Pada Balita,” Digit. Transform. Technol., vol. 4, no. 1, pp. 621–627, 2024, doi: 10.47709/digitech.v4i1.4481.

[17] D. Siregar, F. Ladayya, N. Z. Albaqi, and B. M. Wardana, “Penerapan Metode Support Vector Machines (SVM) dan Metode Naïve Bayes Classifier (NBC) dalam Analisis Sentimen Publik terhadap Konsep Child-free di Media Sosial Twitter,” J. Stat. dan Apl., vol. 7, no. 1, pp. 93–104, 2023.

[18] D. A. Hamidah, R. Salkiawati, and R. Sari, “Analisis Sentimen Ulasan Customer Kopi TMLST Menggunakan Algoritma Naïve Bayes,” J. Students ‘Research Comput. Sci., vol. 5, no. 1, pp. 27–40, 2024.