Klasifikasi Stance Opini Publik Komentar TikTok Kasus Guru Menampar Murid memakai TF-IDF dan SVM

Salsabila Yusra; Raissa Amanda Putri

doi:10.30865/json.v7i3.9544

Authors

Salsabila Yusra Program Studi Ilmu Komputer, Fakultas Sains dan Teknologi, Universitas Islam Negeri Sumatera Utara, Medan, Indonesia
Raissa Amanda Putri FakultasSains dan Teknologi, Ilmu Komputer, Universitas Islam Negeri Sumatera Utara, Medan, Indonesia

DOI:

https://doi.org/10.30865/json.v7i3.9544

Keywords:

Analisis Sentimen, TikTok, Support Vector Machine, Text Mining, Media Sosial

Abstract

Media sosial TikTok menjadi salah satu platform utama dalam menyampaikan opini publik terhadap isu sosial yang bersifat viral, termasuk kasus guru yang menampar murid karena merokok di sekolah. Kasus ini memunculkan perbedaan pandangan yang tajam di masyarakat antara pihak yang mendukung tindakan guru sebagai bentuk pendisiplinan dan pihak yang menilai tindakan tersebut sebagai bentuk kekerasan dalam pendidikan. Penelitian ini bertujuan untuk menganalisis sentimen publik di TikTok terhadap kasus tersebut menggunakan metode Support Vector Machine (SVM). Data penelitian berupa 2.200 komentar publik dikumpulkan melalui teknik web scraping menggunakan Apify Web Scraper dan diolah menggunakan Google Colab. Tahapan penelitian meliputi preprocessing teks yang terdiri dari cleaning, case folding, tokenization, normalisasi, stopword removal, dan stemming. Selanjutnya, fitur diekstraksi menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF) dan diklasifikasikan ke dalam empat kategori sentimen, yaitu Mendukung Guru, Menyalahkan Guru, Mendukung Murid, dan Menyalahkan Murid. Hasil penelitian menunjukkan bahwa metode SVM dengan kernel linear berhasil mengklasifikasikan sentimen publik dengan akurasi 94% (precision 0.94, recall 0.94, F1-score 0.94). Distribusi sentimen menunjukkan 69.2% komentar mendukung guru, 20.8% mendukung murid, 5.5% menyalahkan guru, dan 4.5% menyalahkan murid. Hasil ini memberikan gambaran komprehensif bahwa mayoritas masyarakat cenderung membenarkan tindakan disiplin guru, meskipun terdapat kesadaran yang berkembang terhadap perlindungan anak dan penolakan kekerasan dalam dunia pendidikan.

References

H. Setiawan, H. Oktaviana, F. Di, D. Andawas, M. Noval, and W. Saripah, “Pengaruh Media Sosial TikTok Terhadap Pola Belajar Mahasiswa,” vol. 2, no. 1, pp. 28–34, 2022.

S. Heristian, M. Napiah, and W. Erawati, “Analisis Sentimen Ulasan Pelanggan Menggunakan Algoritma Naive Bayes pada Aplikasi Gojek,” vol. 5, no. 1, pp. 35–41, 2025.

U. A. Purwokerto and K. Kunci, “PERBANDINGAN METODE SUPPORT VECTOR MACHINE DAN DECISION TREE UNTUK ANALISIS SENTIMEN REVIEW KOMENTAR PADA APLIKASI TRANSPORTASI ONLINE,” vol. 2, no. 2, 2021.

R. R. Wahid, F. T. Anggraeni, and B. Nugroho, “Implementasi Metode Extreme Learning Machine untuk Klasifikasi Tumor Otak pada Citra Magnetic Resonance Imaging,” vol. 1, pp. 16–20, 2020.

J. A. Zulqornain and P. P. Adikara, “Analisis Sentimen Tanggapan Masyarakat Aplikasi Tiktok Menggunakan Metode Naïve Bayes dan Categorial Propotional Difference ( CPD ),” vol. 5, no. 7, pp. 2886–2890, 2021.

H. Hassani, C. Beneki, S. Unger, and M. T. Mazinani, “Text Mining in Big Data Analytics,” pp. 1–34, 2021, doi: 10.3390/bdcc4010001.

H. Judul, F. T. Industri, and U. I. Indonesia, “ANALISIS SENTIMEN ULASAN PRODUK SKINCARE MENGGUNAKAN METODE SUPPORT VECTOR MACHINE ( STUDI KASUS : FORUM FEMALE DAILY ) MENGGUNAKAN METODE SUPPORT VECTOR MACHINE ( STUDI KASUS : FORUM FEMALE DAILY ),” 2021.

N. H. Ovirianti, M. Zarlis, and H. Mawengkang, “Support Vector Machine Using A Classification Algorithm,” vol. 6, no. 3, pp. 2103–2107, 2022.

L. Setiyani, “ANALISIS PREDIKSI KELULUSAN MAHASISWA TEPAT WAKTU MENGGUNAKAN METODE DATA MINING NAÏVE BAYES : SYSTEMATIC REVIEW,” vol. 13, no. 1, pp. 35–43, 2020, doi: 10.30998/faktorexacta.v13i1.5548.

D. P. Utomo, “Analisis Komparasi Metode Klasifikasi Data Mining dan Reduksi Atribut Pada Data Set Penyakit Jantung,” vol. 4, no. April, pp. 437–444, 2020, doi: 10.30865/mib.v4i2.2080.

E. Apriani, I. F. Hanif, and F. Oktavianalisti, “Sentiment Analysis of Using TikTok as a Learning Media Using the Naïve Bayes Classifiers Algorithm Analisis Sentimen Penggunaan TikTok Sebagai Media Pembelajaran Menggunakan Algoritma Naïve Bayes Classifier,” vol. 4, no. July, pp. 1160–1168, 2024.

C. Chazar and B. E. Widhiaputra, “Machine Learning Diagnosis Kanker Payudara Menggunakan Algoritma Support Vector Machine,” vol. 12, no. 1, pp. 67–80, 2020.

T. Buana and D. Maharani, “Penggunaan aplikasi tik tok (versi terbaru) dan kreativitas anak,” vol. 14, no. 1, pp. 1–10, 2020.

S. Barta, D. Belanche, A. Fern, and M. Flavi, “Influencer marketing on TikTok: The effectiveness of humor and followers’ hedonic experience,” vol. 70, no. July 2022, 2023, doi: 10.1016/j.jretconser.2022.103149.

S. I. Reprint, X. Kong, W. Wang, and H. Liu, AI Empowered Sentiment Analysis. 2022.

C. A. Iglesias and A. Moreno, Sentiment Analysis for Social Media. 2022.

S. N. Hakim, “ANALISIS SENTIMEN PERSEPSI PENGGUNA MYINDIHOME MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) DAN NAÏVE BAYES CLASSIFIER (NBC),” 2021.

R. Andarsyah and A. Yanuar, “SENTIMEN ANALISIS APLIKASI POSAJA PADA GOOGLE PLAYSTORE UNTUK PENINGKATAN POSPAY SUPERAPP MENGGUNAKAN SUPPORT VECTOR MEACHINE Roni,” vol. 16, no. 2, pp. 1–7, 2024.

R. MAHERI, “ANALISIS SENTIMEN ULASAN APLIKASI M-PASPOR MENGGUNAKAN NAIVE BAYES DAN SUPPORT VECTOR MACHINE,” 2024.

T. Bahtiar, “SISTEM ANALISIS SENTIMEN TERHADAP PRODUK SUNSCREEN PADA MARKETPLACE SHOPEE MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) LAPORAN,” 2024.

I. Busrayan and Andrianingsih, “ANALISIS SENTIMEN PELANGGAN TERHADAP APLIKASI WONDR BY BNI MENGGUNAKAN NAIVE BAYES, SUPPORT VECTOR MACHINE (SVM), DAN K- NEAREST NEIGHBOR (KNN) Irzan,” vol. 2, no. 2, pp. 263–274, 2025.