SKRIPSI SI

ANALISIS SENTIMEN PADA PLATFORM X TERHADAP ISU MODERNISASI ALUTSISTA TNI: STUDI KASUS RAFALE INDONESIA MENGGUNAKAN NAÏVE BAYES

---

ABSTRAK

Modernisasi Alat Utama Sistem Persenjataan (Alutsista) TNI melalui
pengadaan pesawat tempur Dassault Rafale dari Prancis merupakan kebijakan strategis
yang memicu diskursus publik yang luas di Platform X (Twitter). Meskipun analisis
sentimen telah banyak diterapkan pada berbagai domain, kajian yang secara spesifik
mengangkat isu pertahanan nasional Indonesia khususnya modernisasi alutsista masih
sangat terbatas dalam literatur ilmiah. Penelitian ini bertujuan untuk menganalisis
distribusi sentimen publik di Platform X terhadap isu modernisasi alutsista TNI
dengan studi kasus pengadaan Rafale Indonesia, menerapkan algoritma Multinomial
Naïve Bayes (MNB) dengan ekstraksi fitur TF-IDF, serta mengevaluasi performa
model klasifikasi yang dihasilkan.
Data dikumpulkan dari Platform X melalui web scraping dengan tiga kata
kunci utama (“Rafale Indonesia”, “modernisasi alutsista”, “alutsista TNI”) pada
periode Maret 2025 hingga Februari 2026, menghasilkan 191 tweet berbahasa
Indonesia setelah proses filter dan deduplikasi dari 236 tweet mentah. Pelabelan data
dilakukan secara manual oleh tiga anotator independen dengan metode majority
voting, menghasilkan nilai rata-rata Cohen’s Kappa sebesar 0,8250 (Almost Perfect
Agreement). Distribusi label akhir terdiri dari 99 tweet Positif (51,8%), 73 tweet Netral
(38,2%), dan 19 tweet Negatif (9,9%). Preprocessing teks menerapkan pipeline lima
tahap (cleansing, case folding, tokenisasi, stopword removal dengan 852 kata termasuk
32 stopword kustom domain militer, dan stemming Sastrawi), menghasilkan reduksi
panjang teks sebesar 41,1% dengan vocabulary 1.069 kata unik.
Evaluasi model dilakukan menggunakan tiga variasi pembagian dataset (80:20,
70:30, dan 60:40) serta 10-Fold Stratified Cross validation. Hasil terbaik berdasarkan
F1-Weighted diperoleh pada split 80:20 dengan akurasi 53,85% dan F1-Weighted
0,4757. Rata-rata akurasi cross validation mencapai 57,55% ± 8,12%. Kelas Positif
menunjukkan performa terbaik (F1-Score 0,6667 pada split 80:20), sementara kelas
Negatif gagal terdeteksi pada seluruh variasi split akibat ketidakseimbangan kelas
yang ekstrem (hanya 9,9% dari dataset). Analisis temporal menunjukkan lonjakan
volume diskursus pada Januari 2026 (40 tweet, 20,9% dari total) yang berkorelasi
langsung dengan kedatangan tiga unit Rafale pada 23 Januari 2026. Sentimen publik
secara keseluruhan didominasi oleh ekspresi kebanggaan nasional dan dukungan
terhadap modernisasi alutsista.

Kata Kunci: analisis sentimen, Multinomial Naïve Bayes, TF-IDF, modernisasi
alutsista, Rafale Indonesia, Platform X.

v
ABSTRACT

The modernization of the Indonesian National Armed Forces (TNI) main
weaponry system (Alutsista) through the procurement of Dassault Rafale fighter jets
from France represents a strategic policy that has generated extensive public discourse
on Platform X (Twitter). While sentiment analysis has been widely applied across
various domains, studies specifically addressing Indonesian national defense issues
particularly Alutsista modernization remain highly limited in the scientific literature.
This study aims to analyze the distribution of public sentiment on Platform X regarding
TNI Alutsista modernization with the Rafale Indonesia procurement as a case study,
to apply the Multinomial Naïve Bayes (MNB) algorithm with TF-IDF feature
extraction, and to evaluate the resulting classification model performance.
Data were collected from Platform X via web scraping using three main
keywords (“Rafale Indonesia”, “modernisasi alutsista”, “alutsista TNI”) from March
2025 to February 2026, yielding 191 Indonesian-language tweets after filtering and
deduplication from 236 raw tweets. Manual labeling was performed independently by
three annotators using majority voting, achieving a mean Cohen’s Kappa of 0.8250
(Almost Perfect Agreement). The final label distribution comprised 99 Positive tweets
(51.8%), 73 Neutral tweets (38.2%), and 19 Negative tweets (9.9%). Text
preprocessing applied a five-stage pipeline (cleansing, case folding, tokenization,
stopword removal with 852 words including 32 custom military-domain stopwords,
and Sastrawi stemming), reducing average text length by 41.1% with a vocabulary of
1,069 unique words.
Model evaluation was conducted using three dataset split variations (80:20,
70:30, and 60:40) and 10-Fold Stratified Cross validation. The best result based on F1-
Weighted was obtained at the 80:20 split with an accuracy of 53.85% and F1-Weighted
of 0.4757. The mean cross-validation accuracy reached 57.55% ± 8.12%. The Positive
class demonstrated the best performance (F1-Score 0.6667 at 80:20 split), while the
Negative class failed to be detected across all split variations due to extreme class
imbalance (only 9.9% of the dataset). Temporal analysis revealed a surge in discourse
volume in January 2026 (40 tweets, 20.9% of total), directly correlated with the arrival
of three Rafale units on January 23, 2026. Overall public sentiment was dominated by
expressions of national pride and support for Alutsista modernization.

Keywords: sentiment analysis, Multinomial Naïve Bayes, TF-IDF, Alutsista
modernization, Rafale Indonesia, Platform X.

---

Ketersediaan

S260908036

607.2 HEN a

Perpustakaan STMIK AMIKBANDUNG

Tersedia

Informasi Detil

Judul Seri

-

No. Panggil

607.2 HEN a

Penerbit

: ., 2026

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subyek

SKRIPSI

Info Detil Spesifik

-

Pernyataan Tanggungjawab

-

Versi lain/terkait

Lampiran Berkas

Komentar

---

You must be logged in to post a comment