Analisis Sentimen Opini Publik Terhadap Penundaan Pengangkatan CPNS 2025 Menggunakan Machine Learning

Abstract

Penjadwalan ulang penunjukan Calon Pegawai Negeri Sipil pada tahun 2025 telah memicu berbagai pandangan publik dan menjadi isu yang banyak diperdebatkan di media sosial X.  Penelitian ini berusaha untuk menyelidiki sentimen publik mengenai penjadwalan ulang penunjukan Calon Pegawai Negeri Sipil pada tahun 2025 dengan menggunakan metodologi Machine Learning dan menganalisis dampak optimasi Algoritma Genetik terhadap akurasi klasifikasi.  Komentar sebanyak 16.075 dikumpulkan dari media sosial X dalam rentang waktu 11 Maret 2025 hingga 1 Juni 2025.  Tahapan pra-pemrosesan mencakup pembersihan data, pengubahan huruf besar-kecil, normalisasi kata, tokenisasi, penghapusan kata-kata umum, stemming, penanganan negasi, dan penghapusan catatan duplikat.  Klasifikasi sentimen otomatis dicapai melalui strategi InSet Lexicon, yang menghasilkan tiga jenis sentimen: negatif, netral, dan positif.  Frekuensi Istilah Inverse Frekuensi Dokumen digunakan untuk ekstraksi fitur, yang kemudian diikuti dengan klasifikasi menggunakan Naive Bayes dan Support Vector Machine.  Algoritma Genetika diterapkan untuk pemilihan fitur dan penyetelan hiperparameter guna meningkatkan efektivitas model.  Analisis dilakukan melalui penggunaan akurasi, presisi, recall, F1-score, matriks kebingungan, cross-validation, Area Under Curve, dan Uji Wilcoxon Signed Rank.  Penelitian menunjukkan bahwa model Naive Bayes memperoleh akurasi sebesar 87,11 persen, sementara model yang ditingkatkan mencapai akurasi sebesar 87,61 persen.  Model Support Vector Machine mencapai akurasi sebesar 95,18 persen, sementara model yang telah disempurnakan memberikan kinerja tertinggi dengan akurasi 96,02 persen, F1-score 96,01 persen, dan Area Under Curve 99,14 persen.  Hasil dari pemeriksaan signifikansi statistik menunjukkan bahwa peningkatan kinerja setelah optimasi adalah signifikan.  Oleh karena itu, Algoritma Genetik telah membuktikan potensinya untuk meningkatkan hasil kategorisasi sentimen, dengan model Support Vector Machine yang dioptimalkan diakui sebagai model unggulan dalam analisis kami.

GS Cited Analysis