Analisis Sentimen Relokasi Ibu Kota Nusantara Dengan Random Forest Menggunakan Damerau-Levenshtein Distance dan N-Gram

Pemindahan Ibu Kota Negara ke Nusantara (IKN) yang menjadi topik hangat oleh masyarakat di media sosial TikTok, Instagram, dan YouTube. Dalam penelitian ini, dilakukan analisis sentimen mengenai relokasi IKN dengan menggunakan algoritma Random Forest Classifier. Untuk meningkatkan akurasi model, penelitian ini menerapkan koreksi ejaan dengan metode Damerau-Levenshtein Distance (DLD) serta tokenisasi N-Gram dengan n=2 (Bigram). Dataset penelitian terdiri dari 1634 komentar diperoleh melalui proses scraping. Pelabelan data menunjukkan 966 data berlabel positif dan 668 data berlabel negatif, yang didapatkan dari proses majority voting dan validasi pakar bahasa. Penelitian ini lebih sistematis dengan digunakannya kerangka kerja CRISP-DM. Model Random Forest Classifier diterapkan untuk mengklasifikasikan sentimen, dengan seleksi fitur menggunakan Information Gain untuk mengatasi overfitting. Temuan pada penelitian ini menunjukkan kombinasi metode yang digunakan menghasilkan akurasi tertinggi sebesar 90,21%, sedangkan tanpa penerapan koreksi ejaan dan N-Gram, akurasi menurun menjadi 89,69% pada tiap subset balancing data yang paling optimal yakni Random OverSampling dibandingkan dengan SMOTE dan Random UnderSampling. Akan tetapi, DLD terdeteksi mengalami margin of error sebesar 8,62% dan berhasil dengan benar sebesar 91,38%. Dengan demikian, penelitian ini menunjukkan bahwa kombinasi metode koreksi ejaan, ekstraksi fitur, serta seleksi fitur yang digunakan mampu memperoleh performa optimal dalam analisis sentimen terkait relokasi IKN.