Metode Pembobotan TF-IDF untuk Klasifikasi Teks Quick Count Pemilihan Presiden Indonesia 2024 pada X Twitter dengan Metode Naive Bayes

Abstract

Quick Count dalam Pemilihan Presiden Indonesia 2024 memicu beragam respons masyarakat di media sosial X Twitter. Banyaknya jumlah dan variasi opini yang diekspresikan menimbulkan kesulitan dalam mengidentifikasi dan mengklasifikasikan sentimen secara akurat. Penelitian ini bertujuan mengukur akurasi metode Naive Bayes dengan pembobotan TF-IDF dalam mengklasifikasikan teks Quick Count Pemilihan Presiden Indonesia 2024 di media sosial X Twitter. Pengumpulan data dilakukan melalui crawling, menghasilkan 2113 tweet yang kemudian melalui proses labeling oleh ahli. Tahapan preprocessing meliputi case folding, cleansing, stopword removal, dan stemming. Pembobotan kata menggunakan TF-IDF, diikuti dengan pembagian data menjadi 80% data training dan 20% data testing. Klasifikasi teks menggunakan algoritma Naive Bayes, menghasilkan akurasi 74,46%. Hasil ini menunjukkan performa yang cukup baik dalam mengklasifikasikan sentimen terkait Quick Count Pemilihan Presiden 2024 di media sosial X Twitter.