IMPLEMENTASI ALGORITMA CATBOOST BERBASIS TEXT FEATURES PADA KLASIFIKASI SENTIMEN PUBLIK TERKAIT KONFLIK EKOLOGI DAN EKONOMI PERTAMBANGAN
DOI:
https://doi.org/10.70248/jcsit.v3i4.4404Abstract
Isu pertambangan kerap memicu dilema antara eksploitasi ekonomi dan pelestarian ekologi, yang memunculkan polarisasi opini publik secara masif di media sosial. Kumpulan opini publik yang berupa data tidak terstruktur ini berpotensi menjadi acuan mitigasi konflik jika dianalisis dengan tepat, namun metode analisis manual terbukti tidak efisien dan rentan terhadap bias. Penelitian ini bertujuan untuk mengimplementasikan algoritma CatBoost berbasis Text Features guna mengklasifikasikan sentimen publik terhadap isu pertambangan ke dalam kelas positif, negatif, dan netral. Data penelitian bersumber dari komentar TikTok dan YouTube yang diekstraksi menggunakan metode web scraping, menghasilkan 2.049 data bersih. Pemrosesan dilakukan dengan memanfaatkan fitur Native Text Handling pada arsitektur CatBoost, sehingga teks diproses secara internal berbasis probabilitas tanpa memerlukan konversi matriks vektor eksternal yang membebani komputasi . Data dibagi menggunakan teknik stratified random sampling dengan rasio 80:20, yang terdiri dari 1.639 data latih dan 410 data uji. Hasil evaluasi model menggunakan Confusion Matrix dan optimasi hyperparameter Optuna menunjukkan tingkat akurasi keseluruhan sebesar 77% (0,7659) dan nilai rata-rata F1-Score Macro sebesar 0,77. Secara spesifik, kelas Netral mencapai tingkat kepekaan (Recall) tertinggi sebesar 79%, sedangkan kelas Negatif mencatatkan tingkat kehati-hatian (Precision) tertinggi sebesar 81%. Model klasifikasi berbasis CatBoost terbukti tangguh, efisien, dan seimbang dalam memetakan polaritas opini publik secara otomatis sebagai landasan deteksi dini mitigasi konflik sosial-lingkungan.
References
Alshaari, H., & Alqahtani, S. (2025). Deep-EFNet: An Optimized EfficientNetB0 Architecture With Dual Regularization for Scalable Multi-Class Brain Tumor Classification in MRI. IEEE Access, 13(May), 85682–85697. https://doi.org/10.1109/ACCESS.2025.3567919
Chen, X. (2025). Intelligent Employment Forecasting Model Based On Catboost Algorithm. Procedia Computer Science, 262, 596–603. https://doi.org/10.1016/j.procs.2025.05.090
Kaur, G., & Sharma, A. (2023). A deep learning-based model using hybrid feature extraction approach for consumer sentiment analysis. Journal of Big Data, 10. https://doi.org/10.1186/s40537-022-00680-6
Kim, H. E., Cosa-Linan, A., Santhanam, N., Jannesari, M., Maros, M. E., & Ganslandt, T. (2022). Transfer learning for medical image classification: a literature review. BMC Medical Imaging, 22(1), 1–13. https://doi.org/10.1186/s12880-022-00793-7
Lin, H., & Bu, N. (2022). A CNN-Based Framework for Predicting Public Emotion and Multi-Level Behaviors Based on Network Public Opinion. Frontiers in Psychology, 13. https://doi.org/10.3389/fpsyg.2022.909439
Narasamma, L., & Sreedevi, M. (2021). Twitter based Data Analysis in Natural Language. International Journal of Advanced Computer Science and Applications, 12(5), 440–447.
Purwono, Ma’arif, A., Rahmaniar, W., Fathurrahman, H. I. K., Frisky, A. Z. K., & Haq, Q. M. U. (2022). Understanding of Convolutional Neural Network (CNN): A Review. International Journal of Robotics and Control Systems, 2(4), 739–748. https://doi.org/10.31763/ijrcs.v2i4.888
Segoni, S., Nocentini, N., Ajin, R. S., Gatto, A., & Fanti, R. (2025). Understanding the spatial patterns of major geo-hydrological disasters in Italy using the CatBoost algorithm. Science of the Total Environment, 999(July), 180355. https://doi.org/10.1016/j.scitotenv.2025.180355
Suresh Kumar, K., Radha Mani, A. S., Ananth Kumar, T., Jalili, A., Gheisari, M., Malik, Y., Chen, H. C., & Jahangir Moshayedi, A. (2024). Sentiment Analysis of Short Texts Using SVMs and VSMs-Based Multiclass Semantic Classification. Applied Artificial Intelligence, 38(1). https://doi.org/10.1080/08839514.2024.2321555
Zhao, Z., Liu, W., & Wang, K. (2023). Research on sentiment analysis method of opinion mining based on multi-model fusion transfer learning. Journal of Big Data, 10, 1–30. https://doi.org/10.1186/s40537-023-00837-x
