Klasifikasi Sentimen Mobil Listrik di Indonesia Pada Media Sosial X Dengan Naïve Bayes dan Word2vec
Abstrak
Abstrak — Perkembangan kendaraan listrik di Indonesia terus didorong sebagai bagian dari transisi energi dan pengurangan emisi karbon. Meskipun demikian, persepsi masyarakat terhadap mobil listrik masih menunjukkan adanya pro dan kontra. Media sosial X menjadi salah satu platform yang banyak digunakan masyarakat untuk menyampaikan opini terkait isu tersebut. Penelitian ini bertujuan untuk mengklasifikasikan sentimen masyarakat Indonesia terhadap mobil listrik berdasarkan data teks dari media sosial X menggunakan algoritma Naïve Bayes dengan pendekatan Word2Vec. Metodologi penelitian mengacu pada kerangka kerja CRISP-DM yang meliputi tahap business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Data dikumpulkan melalui proses crawling tweet dengan kata kunci terkait mobil listrik pada periode Januari 2024 hingga Juni 2025. Tahapan prapemrosesan data meliputi case folding, cleansing, normalisasi, tokenisasi, stopword removal, dan stemming. Representasi fitur dilakukan menggunakan Word2Vec, sedangkan proses klasifikasi menerapkan Multinomial, Bernoulli, dan Gaussian Naïve Bayes. Evaluasi model dilakukan menggunakan confusion matrix dan k-fold cross-validation. Hasil penelitian menunjukkan bahwa pendekatan Word2Vec dan Naïve Bayes mampu mengklasifikasikan sentimen masyarakat secara stabil.
Kata kunci— Analisis Sentimen Mobil Listrik, Klasifikasi Teks Naïve Bayes, CRISP-DM, Word2vec
Referensi
REFERENSI
U. Priyambodo, “Transisi Energi adalah Kunci Mengatasi Krisis Energi dan Krisis Iklim,” Nationalgeographic.co.id. [Daring]. Tersedia pada: https://nationalgeographic.grid.id/read/133514213/transisi-energi-adalah-kunci-mengatasi-krisis-energi-dan-krisis-iklim
E. Ariananto et al., “OPTIMALISASI KENDARAAN BERMOTOR LISTRIK BERBASIS BATERAI DI INDONESIA ( Optimization of Battery Based Electric Motorized Vehicles in Indonesia ),” vol. 54, no. 79, 2024.
A. H. Pandyaswargo, A. D. Wibowo, M. F. N. Maghfiroh, A. Rezqita, dan H. Onoda, “The emerging electric vehicle and battery industry in Indonesia: Actions around the nickel ore export ban and a SWOT analysis,” Batteries, vol. 7, no. 4, 2021, doi: 10.3390/batteries7040080.
R. Arifin, “Hasil Survei Kecemasan Orang Indonesia Soal Kendaraan Listrik,” detikOto. [Daring]. Tersedia pada: https://oto.detik.com/mobil-listrik/d-7377941/hasil-survei-kecemasan-orang-indonesia-soal-kendaraan-listrik
C. A. Ramapiutra, M. H. Z. Al Faroby, dan B. R. Lidiawaty, “Sentiment Analysis of User Reviews on Cryptocurrency Application: Evaluating the Impact of Dataset Split Scenarios Using Multinomial Naive Bayes,” vol. 13, no. 4, hal. 4523–4535, 2024, [Daring]. Tersedia pada: https://www.researchgate.net/publication/383452276_Sentiment_Analysis_of_User_Reviews_on_Cryptocurrency_Application_Evaluating_the_Impact_of_Dataset_Split_Scenarios_Using_Multinomial_Naive_Bayes
N. Munasatya dan S. Novianto, “Natural Language Processing untuk Sentimen Analisis Presiden Jokowi Menggunakan Multi Layer Perceptron,” Techno.Com, vol. 19, no. 3, hal. 237–244, 2020, doi: 10.33633/tc.v19i3.3630.
A. P. Ardhana dan R. R. Santika, “ANALISIS SENTIMEN PADA APLIKASI X TERHADAP KENDARAAN LISTRIK DI INDONESIA MENGGUNAKAN ALGORITMA NAÏVE SENTIMENT ANALYSIS ON X APP ABOUT ELECTRIC VEHICLES IN INDONESIA USING NAÏVE BAYES ALGORITHM,” vol. 3, no. September, hal. 435–442, 2024.
Azhar, S. U. Masruroh, L. K. Wardhani, dan Okfalisa, “Performance comparison of the Naive Bayes algorithm and the k-NN lexicon approach on Twitter media sentiment analysis,” vol. 3, no. 2, hal. 35–40, 2023, doi: 10.59190/stc.v3i2.229.
T. Joseph, “Natural Language Processing (NLP) for Sentiment Analysis in Social Media,” Int. J. Comput. Eng., vol. 6, no. 2, hal. 35–48, 2024, doi: 10.47941/ijce.2135.
A. K. Dede Iskandar, “A COMPARATIVE ANALYSIS OF WORD2VEC AND DOC2VEC TECHNIQUES IN,” vol. 12, no. 1, hal. 133–144, 2025, doi: 10.25126/jtiik.2025129143.
O. Peretz, M. Koren, dan O. Koren, “Naive Bayes classifier – An ensemble procedure for recall and precision enrichment,” Eng. Appl. Artif. Intell., vol. 136, no. PB, hal. 108972, 2024, doi: 10.1016/j.engappai.2024.108972.
D. Kurniawan dan M. Yasir, “Optimization Sentimen Analysis using CRISP-DM and Naive Bayes Methods Implemented on Social Media,” Cybersp. J. Pendidik. Teknol. Inf., vol. 6, no. 2, hal. 74, 2022, doi: 10.22373/cj.v6i2.12793.
J. M. Gorriz, F. Segovia, J. Ramirez, A. Ortiz, dan J. Suckling, “Is K-fold cross validation the best model selection method for Machine Learning?,” 2024, [Daring]. Tersedia pada: http://arxiv.org/abs/2401.16407
