FAISHAL KHAIRI BASRI, - (2025) ANALISIS SENTIMEN MASYARAKAT TERHADAP KEBOCORAN PUSAT DATA NASIONAL SEMENTARA MENGGUNAKAN ALGORITMA MACHINE LEARNING. Building of Informatics, Technology and Science (BITS), 7 (2). ISSN 2685-3310

Preview	Text (JURNAL ARTIKEL) Repository Faishal Khairi B - FAISHAL KHAIRI BASRI SISTEM INFORMASI.pdf - Published Version Download (5MB) | Preview
Preview	Text (PERNYATAAN PUBLIKASI MAHASISWA) Pernyataan Persetujuan Publikasi - FAISHAL KHAIRI BASRI SISTEM INFORMASI.pdf - Published Version Download (553kB) | Preview
Preview	Text (PERNYATAAN PUBLIKASI DOSEN) Pernyataan Dosen Pembimbing - FAISHAL KHAIRI BASRI SISTEM INFORMASI.pdf - Published Version Download (231kB) | Preview

Abstract

Serangan ransomware terhadap Pusat Data Nasional Sementara (PDNS) pada Juni 2024 menimbulkan kekhawatiran besar di masyarakat terkait keamanan data dan kesiapan pemerintah dalam menghadapi ancaman cyber. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap insiden tersebut menggunakan pendekatan analisis sentimen berbasis aspek pada 2.700 tweet berbahasa Indonesia yang dikumpulkan dari platform X. Penelitian mengikuti tahapan SEMMA (Sample, Explore, Modify, Model, Assess) yang mencakup pra-pemrosesan teks, ekstraksi aspek menggunakan Part-of-Speech Tagging dan pengenalan entitas bernama, representasi fitur menggunakan Term Frequency-Inverse Document Frequency, serta penyaringan aspek berdasarkan koherensi semantik. Aspek yang diperoleh dikelompokkan ke dalam lima kategori: keamanan data, tokoh dan lembaga, infrastruktur, politik dan ekonomi, serta dampak. Klasifikasi sentimen dilakukan menggunakan model IndoBERTweet. Hasil analisis menunjukkan dominasi sentimen negatif, khususnya pada aspek infrastruktur dan tokoh-lembaga, serta tidak ditemukannya sentimen positif pada aspek politik dan ekonomi. Untuk mengatasi ketidakseimbangan distribusi sentimen, digunakan metode Synthetic Minority Oversampling Technique dalam tahap pelatihan model. Evaluasi terhadap dua algoritma, yaitu Random Forest dan Support Vector Machine, menunjukkan bahwa Random Forest memiliki performa terbaik dengan akurasi 96% pada rasio data 70:30 dan rata-rata akurasi 99,05% pada validasi silang 10-fold. Temuan ini menegaskan efektivitas analisis sentimen berbasis aspek dan keunggulan Random Forest dalam mengklasifikasikan data yang kompleks dan tidak seimbang.

Actions (login required)

View Item