Analisis Sentimen Publik terhadap Kenaikan UKT pada Platform X Menggunakan Support Vector Machine
Abstract
Kenaikan Uang Kuliah Tunggal (UKT) pada 2024 memicu perdebatan luas di media sosial X yang menghasilkan data teks tidak terstruktur. Penelitian ini memetakan sentimen publik terhadap isu tersebut, membandingkan tiga kernel Support Vector Machine (SVM), yaitu linear, polynomial, dan Radial Basis Function (RBF), dan mengimplementasikan model terbaik ke prototipe web. Data berupa 1.500 postingan berbahasa Indonesia periode Mei–Juli 2024 yang dipraproses, dilabeli otomatis dengan InSet Lexicon, dan dibobotkan dengan TF-IDF. Evaluasi memakai hold-out 80:20 dan 10-fold stratified cross validation dengan F1-macro, uji t berpasangan, dan uji Wilcoxon, serta Multinomial Naive Bayes sebagai pembanding. Sentimen negatif mendominasi (84,27%), diikuti positif (11,93%) dan netral (3,80%). Tema keberatan terbanyak adalah tuntutan transparansi penetapan kelompok UKT dan beban finansial keluarga. Pada validasi silang, F1-macro kernel RBF, linear, dan polynomial adalah 0,6571, 0,6520, dan 0,6479, tetapi selisihnya tidak signifikan (p > 0,05) sehingga ketiganya setara pada data ini. Kelas netral paling sulit diprediksi (F1 ≤ 0,38). Prototipe lolos 12 skenario black-box dengan waktu respons rata-rata 10,5 milidetik, namun hanya 4 dari 10 teks baru yang sesuai penilaian manusia karena semua diprediksi negatif. Label manual dan data yang lebih beragam diperlukan sebelum model digunakan di luar konteks datasetnya.
References
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. https://doi.org/10.1007/BF00994018
Demšar, J. (2006). Statistical comparisons of classifiers over multiple data sets. Journal of Machine Learning Research, 7, 1–30.
Dietterich, T. G. (1998). Approximate statistical tests for comparing supervised classification learning algorithms. Neural Computation, 10(7), 1895–1923. https://doi.org/10.1162/089976698300017197
Gulo, N. K. J., & Purwanto. (2024). Analisis sentimen masyarakat terhadap kebijakan kenaikan Uang Kuliah Tunggal (UKT) pada media sosial X menggunakan metode Naïve Bayes Classifier. Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), 3(2), 714–722. https://senafti.budiluhur.ac.id/index.php/senafti/index
He, H., & Garcia, E. A. (2009). Learning from imbalanced data. IEEE Transactions on Knowledge and Data Engineering, 21(9), 1263–1284. https://doi.org/10.1109/TKDE.2008.239
Joachims, T. (1998). Text categorization with support vector machines: Learning with many relevant features. In C. Nédellec & C. Rouveirol (Eds.), Machine Learning: ECML-98 (pp. 137–142). Springer. https://doi.org/10.1007/BFb0026683
Kemendikbudristek. (2024, 27 Mei). Mendikbudristek batalkan kenaikan UKT [Siaran pers]. https://vokasi.kemdikbud.go.id/read/b/mendikbudristek-batalkan-kenaikan-ukt
Koto, F., Lau, J. H., & Baldwin, T. (2021). IndoBERTweet: A pretrained language model for Indonesian Twitter with effective domain-specific vocabulary initialization. Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing, 10660–10668. https://aclanthology.org/2021.emnlp-main.833/
Koto, F., & Rahmaningtyas, G. Y. (2017). InSet lexicon: Evaluation of a word list for Indonesian sentiment analysis in microblogs. 2017 International Conference on Asian Language Processing (IALP), 391–394. https://doi.org/10.1109/IALP.2017.8300625
Kurniawan, I., Hananto, A. L., Hilabi, S. S., Hananto, A., Priyatna, B., & Rahman, A. Y. (2023). Perbandingan algoritma Naive Bayes dan SVM dalam sentimen analisis marketplace pada Twitter. JATISI (Jurnal Teknik Informatika dan Sistem Informasi), 10(1), 731–740. https://doi.org/10.35957/jatisi.v10i1.3582
Maharani, D., Atmia, K., & Novita, S. (2025). Blynk-based air handling unit (AHU) air filter monitoring system prototype at Juwata Tarakan Airport Terminal. Indonesian Journal of Multidisciplinary Scientific Studies, 3(5), 392–397. https://doi.org/10.33151/ijomss.v3i5.696
Ningsih, W., Alfianda, B., Rahmaddeni, R., & Wulandari, D. (2024). Perbandingan algoritma SVM dan Naïve Bayes dalam analisis sentimen Twitter pada penggunaan mobil listrik di Indonesia. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(2), 556–562. https://doi.org/10.57152/malcom.v4i2.1253
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830.
Raiya, M. S., Khamil, M. R. P., Fadillah, N., & Saputra, R. A. (2025). Implementasi algoritma Long Short-Term Memory pada isu kenaikan Uang Kuliah Tunggal terhadap minat kuliah mahasiswa. Jurnal Informatika Terpadu, 11(1), 37–43. https://journal.nurulfikri.ac.id/index.php/JIT
Salton, G., & Buckley, C. (1988). Term-weighting approaches in automatic text retrieval. Information Processing & Management, 24(5), 513–523. https://doi.org/10.1016/0306-4573(88)90021-0
Sokolova, M., & Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information Processing & Management, 45(4), 427–437. https://doi.org/10.1016/j.ipm.2009.03.002
Sumartha, D. K. (2025). Implementasi IndoBERT untuk analisis sentimen opini publik terhadap kebijakan kenaikan UKT di era pemerintahan. Jurnal Informatika dan Teknik Elektro Terapan, 13(3S1), 867–875. https://doi.org/10.23960/jitet.v13i3S1.7880
Tala, F. Z. (2003). A study of stemming effects on information retrieval in Bahasa Indonesia [Master's thesis, Universiteit van Amsterdam].
Copyright (c) 2026 Ahmad Agung Hadikosyah, Wilda Rina Hasibuan
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
.png)
