ANALISIS TOLERANSI BERAGAMA DI KOTA SALATIGA MENGGUNAKAN SUPPORT VECTOR MACHIE NAIVE BAYES DAN RANDOM FOREST
DOI:
https://doi.org/10.31539/bmd5hw17Abstract
Perkembangan media sosial memberikan ruang bagi masyarakat untuk menyampaikan opini terkait berbagai isu sosial, termasuk toleransi beragama. Penelitian ini bertujuan menganalisis persepsi masyarakat terhadap toleransi beragama di Kota Salatiga menggunakan pendekatan analisis sentimen berbasis machine learning. Data penelitian diperoleh dari platform Twitter melalui proses crawling dengan jumlah sekitar 670 komentar. Dataset kemudian diproses melalui tahapan text pre-processing yang meliputi cleaning, case folding, normalisasi, tokenisasi, dan stemming sebelum dilakukan ekstraksi fitur menggunakan metode TF-IDF. Proses klasifikasi sentimen dilakukan dengan membandingkan tiga algoritma, yaitu Support Vector Machine (SVM), Naive Bayes, dan Random Forest. Evaluasi performa model menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa opini masyarakat didominasi oleh sentimen positif yang merepresentasikan citra Kota Salatiga sebagai wilayah dengan tingkat toleransi beragama yang tinggi. Naive Bayes memperoleh nilai akurasi tertinggi sebesar 92%, namun Random Forest menunjukkan kemampuan klasifikasi yang lebih stabil dalam menangani ketidakseimbangan data. Penelitian ini menunjukkan bahwa penerapan teknik text mining mampu menghasilkan informasi berbasis data digital yang relevan untuk mendukung pemahaman kondisi sosial masyarakat secara objektif
Kata kunci: Analisis Sentimen, Toleransi Beragama, Machine Learning, Twitter.
References
Anggraini, J., & Alita, D. (2024). Implementasi Metode SVM Pada Sentimen Analisis Terhadap Pemilihan Presiden (Pilpres) 2024 Di Twitter. Jurnal Informatika: Jurnal Pengembangan IT, 9(2), 102–111. https://doi.org/10.30591/jpit.v9i2.6560
Basri, H., Junianto, M. B. S., & Kusyadi, I. (2024). Enhancing Usability Testing Through Sentiment Analysis: A Comparative Study Using SVM, Naive Bayes, Decision Trees and Random Forest. Jurnal Teknologi Sistem Informasi Dan Aplikasi, 7(4), 1603–1610. https://doi.org/10.32493/jtsi.v7i4.45117
Falah, H. M., Jamil, M. R., Taufik, A., Botha, M., & Agustina, N. (2024). Analysis Sentiment Terhadap Ginjal Akut pada Twitter Menggunakan Algoritma Random Forest. Jurnal Ilmu Komputer Dan Informatika, 3(2), 99–106. https://doi.org/10.54082/jiki.65
Fitriani, S. (2020). Analisis: Jurnal Studi Keislaman Keberagaman dan Toleransi Antar Umat Beragama. Jurnal Studi Keislaman, 20(2), 179–192. https://doi.org/10.24042/ajsk
Kinerja Naïve Bayes, P., Supian, A., Tri Revaldo, B., Marhadi, N., & Efrizoni, L. (n.d.). Acuan Supian Perbandingan Kinerja Naïve Bayes dan SVM pada Analisis Sentimen Twitter Ibukota Nusantara. Retrieved https://github.com/syenirasheila/Sentiment-Analysis-IKN-
Kuyoro, A. O., Ogunyolu, O. A., Ayanwola, T. G., & Ayankoya, F. Y. (2022). Dynamic Effectiveness of Random Forest Algorithm in Financial Credit Risk Management for Improving Output Accuracy and Loan Classification Prediction. Ingenierie Des Systemes d’Information, 27(5), 815–821. https://doi.org/10.18280/isi.270515
Ningrum, A. F. (2024). Sentiment Analysis of Public Opinion on Handling Stunting in Indonesia using Random Forest. Jurnal Statistika Dan Aplikasinya, 8(1), 31–40. https://doi.org/10.21009/jsa.08103
Panjaitan, F., Ce, W., Oktafiandy, H., Kanugrahan, G., Ramdhani, Y., Hafizh, V., Putra, C., & Permai, A. (2025). STUDI KOMPARATIF ALGORITMA MACHINE LEARNING PADA ANALISIS SENTIMEN MEDIA SOSIAL. In Jurnal Mahasiswa Teknik Informatika) (Vol. 9, Number 2).
Purnomo, H., Arifin, O., Arpan, A., Permata, R., & Handoko, D. (n.d.). EVALUASI KINERJA ALGORITMA NAÏVE BAYES, KNN, DAN SVM DALAM ANALISIS SENTIMEN MEDIA SOSIAL. In Atika Arpan (Vol. 9, Number 2). Dwi Handoko.
Riyan Hidayat, M., & El-Feyza2, M. (n.d.). From Pixels to Peace: Unraveling the Multifaceted Narrative of Religious Tolerance in Social Media. https://doi.org/10.15575/jw.v7i2.22629
Savitri, P. R. A., Suarjaya, I. M. A. D., & Vihikan, W. O. (2024). Sentiment Analysis of X (Twitter) Comments on The Influence of South Korean Culture in Indonesia. Journal of Information Systems and Informatics, 6(2), 979–991. https://doi.org/10.51519/journalisi.v6i2.749
Shinta Angreni, D., Khaerawati Nur, S., & Luvi Jayanto, D. (2025). Sentiment Analysis for the 2024 DKI Jakarta Gubernatorial Election Using a Support Vector Machine Approach. In Journal of Applied Informatics and Computing (JAIC) (Vol. 9, Number 2). http://jurnal.polibatam.ac.id/index.php/JAIC
Simon kemp. (2023, February 9). Digital 2023: Indonesia. DATAREPORTAL. https://datareportal.com/reports/digital-2023-indonesia
Sofyan, M. A., & Badi’ati, A. Q. (2022). Reexamining Salatiga as a Tolerant City in Java: An Exposure of Lesser-Known Facts. Walisongo: Jurnal Penelitian Sosial Keagamaan, 30(2), 241–262. https://doi.org/10.21580/ws.30.2.15010
Sriani, Lubis, A. H., & Lubis, L. P. A. (2024). Sentiment analysis on twitter about the death penalty using the support vector machine method. TEKNOSAINS : Jurnal Sains, Teknologi Dan Informatika, 11(2), 312–321. https://doi.org/10.37373/tekno.v11i2.1096
Syahira, M. A., & Kurniawan, R. (2024). Analisis Sentimen Cyberbullying Pada Media Sosial X Menggunakan Metode Support Vector Machine. JURNAL MEDIA INFORMATIKA BUDIDARMA, 8(3), 1724. https://doi.org/10.30865/mib.v8i3.7926
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Yoel Agustian, Magdalena A. Ineke Pakereng
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
