SENTIMEN ANALISIS DAKWAH PADA MEDIA SOSIAL TIKTOK @ABIAZKA KIAA MENGGUNAKAN METODE SVM
Author
Abstract
Transformasi dakwah dari metode konvensional ke ranah digital telah menciptakan fenomena baru dalam penyebaran nilai-nilai Islam, salah satunya melalui platform media sosial TikTok. Akun @AbiAzkakiaa menghadirkan pendekatan dakwah inovatif dengan memanfaatkan game Mobile Legends sebagai media komunikasi, yang telah memunculkan pola interaksi baru di kalangan Generasi Z. Namun, tingginya volume interaksi pada kolom komentar menghadirkan tantangan tersendiri dalam menggali informasi yang bermanfaat. Data teks pada TikTok memiliki karakteristik yang sangat tidak terstruktur (unstructured data), penuh dengan variasi bahasa gaul (slang), singkatan tidak baku, ambiguitas konteks, serta istilah teknis game yang menyebabkan metode analisis sentimen konvensional sering kali gagal menangkap makna sebenarnya. Penelitian ini bertujuan untuk mengklasifikasikan sentimen publik terhadap metode dakwah @Abiazkakiaa serta menguji performa algoritma Support Vector Machine (SVM) dalam mengelompokkan komentar ke dalam kategori positif, negatif, atau netral. Alur penelitian disusun mengikuti kerangka kerja standar CRISP-DM (Cross-Industry Standard Process for Data Mining) yang mencakup pemahaman bisnis hingga evaluasi model. Kebaruan utama dalam penelitian ini adalah penerapan strategi "Hybrid Preprocessing", sebuah pendekatan khusus yang dirancang untuk mempertahankan kata negasi dan melakukan normalisasi selektif terhadap istilah slang. Untuk memvalidasi model, penelitian ini menerapkan tiga skenario pengujian komparatif: (1) Skenario Baseline (tanpa perlakuan khusus), (2) Penerapan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk menangani ketidakseimbangan data, dan (3) Penerapan Hybrid Preprocessing (kombinasi negation handling dan normalisasi slang). Berdasarkan hasil pelabelan pada 3.060 data, distribusi sentimen didominasi oleh kelas Netral sebanyak 1.636 data, diikuti Positif 1.059 data, dan Negatif 365 data. Hasil pengujian menunjukkan bahwa model terbaik (Skenario 3) dengan rasio data 80:20, ekstraksi fitur TF-IDF, dan Kernel Linear menghasilkan akurasi global sebesar 66,99%. Evaluasi mendalam menggunakan F1-Score dan Recall menunjukkan karakteristik model yang unik pada setiap kelas: Sentimen Positif memiliki nilai Recall sebesar 59%, yang berarti model cukup mampu mengenali dukungan publik; Sentimen Netral mencatatkan F1-Score tertinggi sebesar 83%; sedangkan Sentimen Negatif memiliki performa terendah sebesar 15% akibat kompleksitas bahasa dan ketidakseimbangan data (imbalance) yang masih mendominasi. Meskipun terdapat tantangan noise bahasa yang tinggi, hasil ini membuktikan bahwa strategi Hybrid Preprocessing lebih efektif dalam mempertahankan konteks kalimat dibandingkan metode oversampling maupun standar. Kesimpulannya, dominasi sentimen netral dan positif mengindikasikan bahwa dakwah melalui pendekatan budaya pop (pop-culture) memiliki tingkat penerimaan yang tinggi di masyarakat.