Electronic Theses and Dissertation

Badan Kepegawaian Negara (BKN) merupakan lembaga pemerintah yang bertanggung jawab dalam pengelolaan sumber daya manusia Aparatur Sipil Negara (ASN), mulai dari pengangkatan, pengembangan karier, mutasi, hingga pemberhentian Pegawai Negeri Sipil (PNS). penelitian ini bertujuan untuk mengklasifikasikan komentar pengguna pada unggahan Instagram Badan Kepegawaian Negara (BKN) terkait penerimaan CPNS 2024 ke dalam kategori sentimen positif, negatif, dan netral menggunakan pendekat an Natural Language Processing (NLP) dan algoritma Support Vector Machine (SVM). Data diperoleh melalui web scraping dari tiga unggahan yang membahas pendaftaran CPNS, penggunaan e-materai, dan pengumuman hasil akhir, kemudian melalui tahapan preprocessing berupa case folding, tokenization, stopword removal, dan stemming sebelum direpresentasikan menggunakan TF-IDF. Untuk mengatasi ketidakseimbangan kelas, penelitian ini menerapkan SMOTE pada data latih, lalu melakukan optimasi parameter menggunakan GridSearchCV pada model SVM linear. Hasil pengujian menunjukkan bahwa parameter terbaik diperoleh pada nilai C = 10 dengan skor validasi f1-macro sebesar 0,8970. Model terbaik menghasilkan akurasi sebesar 83,58%, macro F1-score sebesar 0,8084, dan weighted F1-score sebesar 0,8390, dengan F1-score kelas negatif sebesar 0,6970, kelas netral 0,8638, dan kelas positif 0,8643. Hasil ini menunjukkan bahwa pendekatan yang digunakan mampu melakukan klasifikasi sentimen dengan performa yang baik, khususnya pada komentar netral dan positif, serta dapat menjadi dasar analisis opini publik terhadap layanan informasi instansi pemerintah melalui media sosial.

Kata kunci: Analisis Sentimen, Web Scraping, CPNS, TF-IDF, Support Vector Machine

The National Civil Service Agency (BKN) is the government body responsible for managing the human resources of the State Civil Apparatus (ASN), covering aspects ranging from recruitment, career development, and healthcare to the termination of Civil Servants (PNS). This study aims to classify user comments on BKN’s Instagram posts regarding the 2024 CPNS (Civil Servant Candidate) recruitment into positive, negative, and neutral sentiment categories using a Natural Language Processing (NLP) approach and the Support Vector Machine (SVM) algorithm. Data were obtained via web scraping from three posts discussing CPNS registration, the use of e-materai (electronic duty stamps), and final result announcements; the data subsequently underwent preprocessing stages—including case folding, tokenization, stopword removal, and stemming—before being represented using TF-IDF. To address class imbalance, the study applied SMOTE to the training data and performed parameter optimization using GridSearchCV on a linear SVM model. Test results indicate that the optimal parameter was achieved at C = 10, yielding an f1-macro validation score of 0.8970. The model achieved a peak accuracy of 83.58%, a macro F1-score of 0.8084, and a weighted F1-score of 0.8390, with classspecific F1-scores of 0.6970 (negative), 0.8638 (neutral), and 0.8643 (positive). These results demonstrate that the employed approach performs sentiment classification effectively—particularly for neutral and positive comments—and can serve as a basis for analyzing public opinion regarding government agency information services on social media. Keywords: Sentiment Analysis, Web Scraping, CPNS, TF-IDF, Support Vector Machine