Analisis Sentimen Opini Publik terhadap Peristiwa Bitcoin Halving pada Data Teks Twitter Menggunakan Metode Naïve Bayes dan Pembobotan Fitur TF-IDF

Abstract

Perkembangan teknologi telah mengubah cara orang berinteraksi dan melakukan transaksi. Salah satu inovasi penting adalah mata uang digital, yang biasa dikenal sebagai cryptocurrency. Baru-baru ini, topik Bitcoin Halving telah menarik perhatian besar di Twitter, bahkan menjadi trending topic di seluruh dunia. Peristiwa ini memicu banyak opini dan komentar dari pengguna Twitter. Mengingat banyaknya tweet yang terkait dengan Bitcoin Halving, sangat sulit untuk menentukan secara manual apakah sentimennya positif atau negatif. Oleh karena itu, diperlukan text mining untuk mengklasifikasikan sentimen tersebut, baik positif maupun negatif. Penelitian ini bertujuan memanfaatkan algoritma Naïve Bayes Classifier dan pembobotan fitur menggunakan TF-IDF (Term Frequency – Inverse Document Frequency). Dari total 538 data tweet yang diperoleh dari proses crawling di media sosial Twitter, dilakukan preprocessing dan pembobotan kata menggunakan TF-IDF, serta pembagian data untuk pelatihan dan pengujian model. Dengan beberapa rasio data latih dan data uji yaitu 90:10, 80:20, dan 80:20, hasil penelitian ini menunjukkan bahwa model Naïve Bayes dengan rasio 70:30 mendapatkan hasil akurasi terbaik yaitu 74%.