%T ANALISIS SENTIMEN OPINI PUBLIK TERHADAP KEBOCORAN DATA DI INDONESIA PADA MEDIA SOSIAL X MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)
%A Yoga Prayudha
%D 2025
%L universitasamikomyogyakarta31446
%X Penelitian ini bertujuan untuk menganalisis sentimen opini publik terhadap 
kebocoran data di Indonesia yang dibagikan melalui media sosial X (Twitter)
menggunakan algoritma Support Vector Machine (SVM). Data dikumpulkan
melalui metode web scraping dan API dengan kata kunci yang relevan, kemudian
dilakukan proses labeling menjadi tiga kategori sentimen, yaitu positif, negatif, dan
netral. Tahap preprocessing meliputi cleaning, case folding, stopword removal,
stemming, tokenization, dan pembobotan TF-IDF. Model SVM diuji menggunakan
dua pendekatan, yaitu parameter default dan parameter hasil optimasi
menggunakan GridSearchCV, dengan tujuan menemukan kombinasi
hyperparameter terbaik. Evaluasi performa dilakukan menggunakan confusion
matrix untuk menghitung akurasi, precision, recall, dan F1-score. Hasil pengujian
menunjukkan bahwa baik model SVM dengan parameter default maupun yang
dioptimasi melalui GridSearchCV mencapai akurasi tertinggi sebesar 75%.
Perbedaan terlihat pada distribusi klasifikasi: model default mampu
mengklasifikasikan sebagian sentimen positif, sedangkan model GridSearchCV
cenderung gagal mendeteksi kelas positif namun memberikan kinerja lebih
konsisten pada kelas negatif dan netral. Temuan ini menunjukkan bahwa optimasi
hyperparameter tidak selalu meningkatkan performa keseluruhan jika distribusi
data tidak seimbang. Hasil penelitian ini memberikan gambaran tentang persepsi
publik di Indonesia terkait isu kebocoran data, di mana sentimen negatif
mendominasi. Informasi ini dapat dimanfaatkan oleh pemerintah, lembaga
perlindungan data, dan penyedia layanan digital untuk merumuskan kebijakan
keamanan data yang lebih responsif. Selain itu, metode dan hasil penelitian ini
dapat menjadi referensi bagi pengembangan sistem pemantauan opini publik
berbasis kecerdasan buatan yang mampu bekerja secara otomatis terhadap data
media sosial yang bersifat dinamis.
%K Analisis Sentimen, Kebocoran Data, Media Sosial X, Support Vector Machine, GridSearchCV
%I Universitas AMIKOM Yogyakarta