ANALISIS SENTIMEN PUBLIK TERHADAP KONTROVERSI GUS ELHAM YAHYA DIMEDIA SOSIAL TWITTER/X MENGGUNAKAN PENDEKATAN LEXICON-BASED DAN NAIVE BAYES
Abstract
Kontroversi video interaksi Gus Elham Yahya dengan anak kecil saat kegiatan dakwah memicu perdebatan sengit di media sosial Twitter/X. Publik terbagi antara kecaman atas perlindungan anak serta narasi tabayyun. Volume data yang besar membuat analisis manual sulit dilakukan. Studi ini bertujuan memetakan sentimen publik dan mengukur akurasi penggabungan metode berbasis leksikon serta algoritma Naive Bayes. Penelitian kuantitatif ini menggunakan sampel sebanyak 1.509 tweet berbahasa Indonesia yang dikumpulkan melalui teknik purposive sampling. Analisis data menerapkan kerangka Knowledge Discovery in Database yang meliputi tahapan pra-pemrosesan, ekstraksi fitur TF-IDF, pelabelan leksikon, dan klasifikasi Naïve Bayes. Hasil analisis leksikon menunjukkan distribusi 9,15% positif, 27,24% netral, dan 63,62% negatif. Klasifikasi Naïve Bayes mencapai tingkat akurasi tinggi sebesar 98,88% dengan performa terbaik pada kelas negatif. Dominasi sentimen negatif konsisten mencerminkan kritik tajam publik terhadap tindakan tokoh publik yang dianggap melanggar norma perlindungan anak. Temuan ini menegaskan bahwa perilaku figur publik berdampak signifikan terhadap kepercayaan masyarakat di ruang digital. Implikasi praktisnya, figur publik wajib menjaga etika interaksi serta memiliki strategi komunikasi krisis yang efektif guna memulihkan reputasi.
References
[1] Undap, M. G., Rantung, V. P., & Rompas, P. T. D. (2021). Analisis Sentimen Situs Pembajak Artikel Penelitian Menggunakan Metode Lexicon-Based.
[2] Ismail, A. R., Bagus, R., & Hakim, F. (2023). Implementasi Lexicon Based Untuk Analisis Sentimen Dalam Mengetahui Trend Wisata Pantai Di DI Yogyakarta Berdasarkan Data Twitter. 1(1), 37–46.
[3] Fikri, M. I., Sabrila, T. S., & Azhar, Y. (2020). Perbandingan Metode Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter. 10, 71–76.
[4] Metode, I., Bayes, N., Wikarsa, L., Angdresey, A., Kapantow, J. D., Informatika, P. T., & Teknik, F. (2022). APPROACH UNTUK MENGKLASIFIKASI SENTIMEN NETIZEN PADA TWEET BERBAHASA INDONESIA. 18(1), 15–24.
[5] Dimas, M., Chasis, R., Azahari, D., & Ibnu, M. (2025). Analisis Sentimen Terhadap Kontroversi Pembangunan IKN di Media Sosial Twitter Menggunakan Metode Naïve Bayes. 6(2), 97–109. https://doi.org/10.47065/bit.v5i2.1993
[6] Lexicon-based, M. P., Fatah, Z., & Ningsih, R. A. (2025). Analisis Sentimen Komentar YouTube terhadap Tragedi Demo 25 Agustus. 4, 217–224.
[7] Enjeli, M., & Wijaya, A. (2024). Analisis Sentimen Pengunaaan Aplikasi Kinemaster Menggunakan Metode Naive Bayes. 2, 89–98.
[8] Sholeh, M., Aeni, K., Informatika, P. S., Informatika, P. S., Sains, F., Peradaban, U., & Bouldin, D. (2023). PERBANDINGAN EVALUASI METODE DAVIES BOULDIN , ELBOW DAN SILHOUETTE PADA MODEL CLUSTERING DENGAN. 8(1).
[9] Bina, U., Jl, D., & Yani, J. A. (2025). Analisis Clustering Data Gizi Pada Puskesmas 1 Ulu Menggunakan Metode Algoritma K-Means. 5(2), 209–217. https://doi.org/10.35957/algoritme.v5i2.10707.
[10] Putry, N. M., Sari, B. N., & Kom, M. (2022). KOMPARASI ALGORITMA KNN DAN NAÏVE BAYES UNTUK KLASIFIKASI DIAGNOSIS PENYAKIT DIABETES MELITUS. 10(1).
[11] Nasional, J., Informasi, S., Alia, Q., Sagirani, T., & Lemantara, J. (2023). Perbandingan Algoritma Naïve Bayes dan K-Nearest Neighbor ( KNN ) untuk Mengetahui Keakuratan Diagnosa Penyakit Diabetes. 03, 247–254.
[12] Pebdika, A., Herdiana, R., Solihudin, D., Pintar, P. I., Bayes, N., Penentuan, U., & Bantuan, P. (2023). KLASIFIKASI MENGGUNAKAN METODE NAIVE BAYES UNTUK MENENTUKAN CALON PENERIMA PIP. 7(1), 452–458.
| Keywords | : |
Keywords:
Analisis Sentimen, Twitter/X, Lexicon Based, Naïve Bayes, Gus Elham Yahya
|
| Galleys | : | |
| Published | : |
2026-07-31
|
| Issue | : |