PEMETAAN PERSEPSI PUBLIK TERHADAP TRANSFORMASI DIGITAL PERTANIAN MENGGUNAKAN MULTINOMIAL NAIVE BAYES DAN TF-IDF

Abstract

Sektor pertanian Indonesia tengah bertransformasi menuju era digitalisasi guna meningkatkan efisiensi dan ketahanan pangan nasional, namun implementasinya menghadapi tantangan berupa kesenjangan kesiapan serta keberagaman persepsi masyarakat. Permasalahan utama dalam penelitian ini terletak pada kompleksitas ekstraksi informasi strategis dari ribuan opini publik yang masif dan tidak terstruktur di media sosial. Penelitian ini bertujuan untuk memetakan persepsi publik terhadap transformasi digital pertanian menggunakan metode Multinomial Naive Bayes yang diintegrasikan dengan teknik pembobotan Term Frequency-Inverse Document Frequency (TF-IDF). Data penelitian diperoleh melalui teknik scraping terhadap 3.268 komentar di platform YouTube, yang selanjutnya diolah menggunakan kerangka kerja Cross-Industry Standard Process for Data Mining (CRISP-DM) dan pengujian relevancy filtering. Hasil pengujian menunjukkan bahwa tahap prapemrosesan mampu mereduksi noise sebesar 64,6%, menghasilkan 1.156 data valid untuk fase pemodelan. Model klasifikasi yang dibangun berhasil mencapai tingkat akurasi sebesar 83,39%, dengan rincian distribusi sentimen didominasi oleh opini positif sebanyak 292 data, sentimen negatif 237 data, dan sentimen netral 113 data. Kesimpulan utama penelitian ini menegaskan bahwa kombinasi Multinomial Naive Bayes dan TF-IDF memiliki performa yang andal sebagai instrumen pemetaan opini digital guna mendukung evaluasi kebijakan serta perumusan strategi pemangku kepentingan dalam modernisasi agrikultur Indonesia secara objektif.