Performa Logistic Regression dalam Klasifikasi Sentimen Opini Publik Pemilu di India
DOI:
https://doi.org/10.55382/jurnalpustakaai.v6i1.1566Kata Kunci:
Analisis Sentimen, Twitter, Logistic Regression, TF-IDF, KlasifikasiAbstrak
Opini publik tentang pemilu di India melalui media sosial sangat tinggi, terutama melalui twitter. Untuk
mengetahui apakah opini tersebut positif, negative atau netral maka dilkukan analisis sentiment. Data teks dari
media sosial bersifat tidak terstruktur dan penuh noise sehingga diperlukan model klasifikasi yang mampu bekerja
secara efektif pada teks pendek dan bervariasi. Penelitian ini menggunakan algoritma Logistic Regression. Hasil
eksperimen menunjukkan bahwa model dapat mencapai akurasi sebesar 84,46%. Temuan ini menunjukkan bahwa
pendekatan yang diusulkan dapat berfungsi sebagai metode yang andal dan efisien untuk pemantauan opini publik
secara otomatis. Hasil penelitian menunjukkan bahwa Logistic Regression mampu memberikan performa
klasifikasi yang stabil dengan tingkat akurasi yang kompetitif untuk analisis sentimen politik pada teks pendek
media sosial. Model juga menunjukkan konsistensi dalam menangani distribusi sentimen yang tidak seimbang.
Unduhan
Referensi
A. Khare, A. Gangwar, S. Singh, and S. Prakash, “Sentiment Analysis and Sarcasm Detection in Indian
General Election Tweets,” Research Advances in Intelligent Computing, pp. 253–268, 2023, doi:
1201/9781003320340-20.
D. Remawati, H. Wijayanto, Y. R. Wahyu Utami, and B. D. Raharja, “Pengelompokkan Film Trending di
Youtube Menggunakan TF-IDF dan K-Means Clustering,” Jurnal Sistem Informasi Triguna Dharma
(JURSI TGD), vol. 4, no. 1, pp. 65–74, 2025, doi: 10.53513/jursi.v4i1.10614.
N. L. P. C. Savitri, R. A. Rahman, R. Venyutzky, and N. A. Rakhmawati, “Analisis Klasifikasi Sentimen
Terhadap Sekolah Daring pada Twitter Menggunakan Supervised Machine Learning,” Jurnal Teknik
Informatika dan Sistem Informasi, vol. 7, no. 1, Apr. 2021, doi: 10.28932/jutisi.v7i1.3216.
R. A. Nugroho and A. Mufliq, “Penerapan Ant Colony Optimization dengan Sentiment-Based Weighting
untuk Rekomendasi Rute Wisata,” Rizky Aditya Nugroho, vol. 1, no. 2, pp. 364–371, 2025, [Online].
Available: https://doi.org/10.55382/jurnalpustakaai.v5i2.1197
A. R. Hidayati, A. S. Fitrani, and M. A. Rosid, “Analisa Sentimen Pemilu 2019 Pada Judul Berita Online
Menggunakan Metode Logistic Regression [Sentiment Analysis of the 2019 Election in Online News
Headlines Using the Logistic Regression Method],” KESATRIA Jurnal Penerapan Sistem Informasi
(Komputer
& Manajemen), vol. 4, no. 2, pp. 1–6, 2023, [Online]. Available:
https://tunasbangsa.ac.id/pkm/index.php/kesatria/article/view/164/163
A. Bachir, A. Sultan, and S. S. Abu-Naser, “Predictive Modeling of Breast Cancer Diagnosis Using Neural
Networks:A Kaggle Dataset Analysis,” International Journal of Academic Engineering Research, vol. 7,
no. 9, pp. 1–9, 2023, [Online]. Available: www.ijeais.org/ijaer
V. Renedominick and S. Barus, “Analisis Sentimen pada Trailer Deadpool vs Wolverine Menggunakan
Model Machine Learning,” Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence), vol.
, no. 1, pp. 01–06, 2025, doi: 10.55382/jurnalpustakaai.v5i1.892.
F. Putri, Z. Awliya, and U. Budiyanto, “Analisis Sentimen Publik Twitter dengan TF-IDF dan Analysis of
Public Sentiment on Twitter Using TF-IDF And,” vol. 4, no. September, pp. 346–354, 2025.
Z. F. Abdul Jalil, Ahmad Homaidi, “Implementasi Algoritma Support Vector Machine Untuk Klasifikasi
Status Stunting Pada Balita,” G-Tech: Jurnal Teknologi Terapan, vol. 8, no. 3, pp. 2070–2079, 2024.
E. R. Lidinillah, T. Rohana, and A. R. Juwita, “Analisis sentimen twitter terhadap steam menggunakan
algoritma logistic regression dan support vector machine,” TEKNOSAINS?: Jurnal Sains, Teknologi dan
Informatika, vol. 10, no. 2, pp. 154–164, 2023, doi: 10.37373/tekno.v10i2.440.
D. Remawati, E. Noersasongko, A. Marjuni, and Pujiono, “Mental Health Detection with TF-IDF Feature
Extraction,” International Conference on Artificial Intelligence and Mechatronics System, AIMS 2024, pp.
–6, 2024, doi: 10.1109/AIMS61812.2024.10512480.
Estate
U. Lathifah and R. Danar Dana, “Implementasi Metode Linear Regression untuk Prediksi Harga Properti
Real
Menggunakan
Rapidminer,”
https://www.kaggle.com/datasets/oddyvirgantara/har
[Online].
Available:
A. Bachir, A. Sultan, and S. S. Abu-Naser, “Predictive Modelling of Breast Cancer Diagnosis Using Neural
Networks:A Kaggle Dataset Analysis,” 2023. [Online]. Available: www.ijeais.org/ijaer
I. D. Hartarti, I. A. Septiyani, D. A. Gultom, Y. Hendrian, and S. L. Kinanti, “Prediksi Harga Rumah di
Boston Dengan Model Regresi Linear Menggunakan Python,” RIGGS: Journal of Artificial Intelligence
and Digital Business, vol. 4, no. 2, pp. 4250–4256, 2025, doi: 10.31004/riggs.v4i2.1210.
J. A. Wibowo, V. C. Mawardi, and T. Sutrisno, “Visualisasi Word Cloud Hasil Analisis Sentimen Berbasis
Fitur Layanan Aplikasi Gojek dengan Support Vector Machine,” Jurnal Serina Sains, Teknik dan
Kedokteran, vol. 2, no. 1, pp. 61–70, Mar. 2024, doi: 10.24912/jsstk.v2i1.32058.
##submission.downloads##
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Okky Puspa Ningrum, Dwi Remawati, Teguh Susyanto, Wawan Laksito Yuly Saptomo
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
