// <![CDATA[IDENTIFIKASI DAN ANALISIS SENTIMEN BUZZER TERHADAP TWEETS 100 HARI PEMERINTAHAN PRABOWO SUBIANTO :]]> 120160503 - Nur Fitrianti Fahrudin, S.Kom., M.T. Dosen Pembimbing 1 R. MOCH FAHRI AQILA PUTRA / 162021025 Penulis
Media sosial berperan penting dalam membentuk opini poliitik. Penelitian ini menganalisis respon publik terhadap 100 hari pemerintahan Prabowo Subianto pada media sosial X (Twitter), dengan menganalisis sentimen antara tweet buzzer dan non-buzzer. Dari 2.678 tweet yang dikumpulkan pda 29 Januari 2025, digunakan model hyrbrid yang menggabungkan deteksi buzzer dan analisis sentimen Deteksi buzzer dilakukan dengan menggabungkan fitur Time Interval Entropy, Dice Similarity, dan Score K. Model klasifikasi buzzer dibangun menggunakan algoritma Support Vector Machine (SVM) dan menunjukkan kinerja optimal dengan kernel polinomial F1-score 98,44% pada validasi dan akurasi 86,87%, meski recall buzzer masih rendah (46%). Analisis sentiment menggunakan VADER sebagai label sentiment dan TF-IDF sebagai pembobotan kata kemudian diklasifikasikan menggunakan SVM. Kernel linier memberikan kinerja terbaik dengan skor F1 sebesar 69,75% pada data uji. Hasil penelitian menunjukkan bahwa akun buzzer secara dominan menyebarkan sentimen positif (74,9%), sementara akun non-buzzer memiliki distribusi sentimen yang lebih beragam. Temuan ini menunjukkan bahwa buzzer memainkan peran aktif dalam membentuk narasi politik secara sistematis dan tidak alami. Studi ini berkontribusi pada pemahaman karakteristik buzzer dan dampaknya terhadap persepsi publik di media sosial, serta menyediakan pendekatan integratif yang dapat digunakan dalam analisis serupa di masa depan. Social media plays an important role in shaping political opinion. This study analyses public response to Prabowo Subianto's first 100 days in office on social media platform X (Twitter), analysing sentiment between buzzer and non-buzzer tweets. From 2,678 tweets collected on 29 January 2025, a hybrid model was used that combined buzzer detection and sentiment analysis. Buzzer detection was carried out by combining the Time Interval Entropy, Dice Similarity, and K Score features. The buzzer classification model was built using the Support Vector Machine (SVM) algorithm and showed optimal performance with a polynomial kernel F1-score of 98.44% in validation and an accuracy of 86.87%, although the buzzer recall was still low (46%). Sentiment analysis uses VADER as the sentiment label and TF-IDF as the word weighting, which is then classified using SVM. The linear kernel provides the best performance with an F1 score of 69.75% on the test data. The results show that buzzer accounts predominantly spread positive sentiment (74.9%), while non-buzzer accounts have a more diverse sentiment distribution. These findings indicate that buzzers play an active role in shaping political narratives in a systematic and unnatural manner. This study contributes to the understanding of buzzer characteristics and their impact on public perception on social media, and provides an integrative approach that can be used in similar analyses in the future.