PERBANDINGAN TF-IDF DAN WORD2VEC MENGGUNAKAN NAÏVE BAYES PADA ANALISIS SENTIMEN PENGGUNA TWITTER TERHADAP PROGRAM PEMINDAHAN IBU KOTA NEGARA (IKN)

Berbagai permasalahan yang dialami DKI Jakarta sebagai ibu kota mengakibatkan pengusulan pemindahan Ibu Kota Negara ke Kalimantan. Hal ini menimbulkan polemik di kalangan masyarakat, khususnya di media sosial seperti Twitter, yang memfasilitasi penyebaran opini publik secara transparan. Dalam konteks ini, analisis sentimen menjadi penting untuk memahami persepsi publik terhadap isu tersebut. Analisis sentimen dapat memberikan wawasan tentang bagaimana masyarakat merespons rencana pemindahan ibu kota serta apa saja kekhawatiran atau harapan mereka. Penelitian ini membahas analisis sentimen pengguna Twitter terhadap program pemindahan Ibu Kota Negara (IKN) dengan membandingkan dua metode feature extraction, yaitu Term Frequency-Inverse Document Frequency (TF-IDF) dan Word2Vec, menggunakan algoritme Naïve Bayes. Tujuan dari penelitian ini adalah untuk memahami perbedaan performa kedua metode tersebut dalam memproses dan menganalisis sentimen dari komentar pengguna Twitter terkait program pemindahan IKN. Dataset yang digunakan terdiri dari 1.727 komentar yang diperoleh dari repositori GitHub. Hasil analisis menunjukkan bahwa TF-IDF memberikan tingkat akurasi yang lebih tinggi dibandingkan Word2Vec dengan hasil precision, recall, dan F1-score yang lebih seimbang, sehingga TF-IDF direkomendasikan untuk digunakan dalam tugas klasifikasi teks yang membutuhkan akurasi tinggi dan keseimbangan antara deteksi positif dan negatif