ANALISIS SENTIMEN PUBLIK TERHADAP PENJUALAN IPHONE 16 DAN KEBIJAKAN TKDN DI INDONESIA
DOI:
https://doi.org/10.31949/infotech.v11i1.13159Abstract
Kebijakan Tingkat Komponen Dalam Negeri (TKDN) terhadap produk Apple di Indonesia telah memicu berbagai opini di media sosial, terutama di platform X. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap kebijakan tersebut menggunakan metode machine learning. Data dikumpulkan melakukan teknik crawling, kemudian diproses dengan tahapan preprocessing untuk meningkatkan kualitas teks. Algoritma Random Forest diterapkan untuk mengklasifikasi opini menjadi kategori negatif, netral, dan positif. Hasil eksperimen menunjukkan bahwa model Random Forest mencapai akurasi 91%, presisi 91%, recall 91% dan f1-score 89%. Temuan ini memberikan wawasan bagi pelaku industri dan pembuat kebijakan dalam memahami persepsi masyarakat terkait kebijakan TKDN terhadap produk Apple, sehingga dapat menjadi pertimbangan dalam perumusan kebijakan selanjutnya.
Keywords:
Analisis sentimen, TKDN, Apple, Machine learning, XDownloads
References
1. Akbar, I., & Faisal, M. (2024). Perbandingan analisis sentimen PLN Mobile: Machine learning vs. deep learning. JOINTECS (Journal of Information Technology and Computer Science), 8(1), 1-10. ISSN 25416448.
2. Akbar, I., et al. (2023). Analisis sentimen untuk evaluasi reputasi merek motor XYZ berkaitan dengan isu rangka motor di Twitter menggunakan pendekatan machine learning. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK). https://doi.org/10.25126/jtiik.938663.
3. Astuti, K. C., Firmansyah, A., Riyadi, A., & Pelita Bangsa, U. (2024). Implementasi text mining untuk analisis sentimen masyarakat terhadap ulasan aplikasi digital Korlantas Polri pada Google Play Store. Remik: Riset dan E-Jurnal Manajemen Informatika Komputer, 8(1).
4. Breiman, L. (2001). Random forests. Machine Learning, 45, 5–32. https://doi.org/10.1023/A:1010933404324.
5. Fauzan, F., et al. (2024). Penerapan machine learning pada analisis sentimen aplikasi MyTelkomsel menggunakan data ulasan Google Play store. Indonesian Journal of Computer Science.
6. Indarwati, K. D., & Februariyanti, H. (2023). Analisis sentimen terhadap kualitas pelayanan aplikasi Go-jek menggunakan metode Naive Bayes Classifier. Jatisi (Jurnal Teknik Informatika Dan Sistem Informasi), 10(1), 1–12.
7. Kementerian Perindustrian Republik Indonesia. (2024, January 17). Pernyataan Menperin terkait TKDN Apple. Kementerian Perindustrian Republik Indonesia. https://www.kemenperin.go.id/artikel/25606/Pernyataan-Menperin-terkait-TKDN-Apple
8. Khairani, U., Mutiawani, V., & Ahmadian, H. (2024). Pengaruh tahapan preprocessing terhadap model Indobert dan Indobertweet untuk mendeteksi emosi pada komentar akun berita Instagram. Jurnal Teknologi Informasi dan Ilmu Komputer, 11(4), 1–10.
9. Liu, B. (2022). Sentiment analysis and opinion mining. https://doi.org/10.1007/978-3-031-02145-9
10. Manurung, C.E., & Mayatopani, H. (2025). Sentiment analysis of Indonesian society toward the launch of iPhone 16 using Naive Bayes, Random Forest, and KNN algorithms. Jurnal Komunikasi dan Teknologi Informasi, 5(1). https://doi.org/10.53697/jkomitek.v5i1.221.
11. Rizkina, N. Q., & Hasan, F. N. (2023). Analisis sentimen komentar netizen terhadap pembubaran konser NCT 127 menggunakan metode Naive Bayes. Journal of Information System Research (JOSH), 4(4), 1–9.
12. Sari, T. A., Sinduningrum, E., & Hasan, F. N. (2023). Analisis sentimen ulasan pelanggan pada aplikasi Fore Coffee menggunakan metode Naïve Bayes. KLIK: Kajian Ilmiah Informatika dan Komputer, 3(6), 1–7.
13. Septiani, D., & Isabela, I. (2022). Analisis Term Frequency Inverse Document Frequency (TF-IDF) dalam temu kembali informasi pada dokumen teks. SINTESIA: Jurnal Sistem dan Teknologi Informasi Indonesia. 01(2).
14. Slamet, R., Gata, W., Novtariany, A., Hilyati, K., & Jariyah, F. A. (2022). Analisis sentimen Twitter terhadap penggunaan artis Korea Selatan sebagai brand ambassador produk kecantikan lokal. Journal of Information Technology and Computer Science (INTECOMS), 5(1), 1–9.
15. Syahronim, A., et al. (2024). Perbandingan analisis sentimen setelah pilpres 2024 di Twitter menggunakan algoritma machine learning. Jurnal Teknologi Informasi dan Komunikasi, 12(2). http://dx.doi.org/10.23960/jitet.v12i2.4249.
16. Widia, Z. Y., Aqsalia, S., Sari, N. U., Khoirunnisa, N., & Kurniawan, F. (2024). Optimasi algoritma Naive Bayes untuk menganalisis sentimen pada konten pemindahan ibu kota di Youtube. Journal of Computer and Information Systems Ampera, 5(2), 1–16.
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Fajar Maula Hidayat, Hafidz Sanjaya
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
