Analisis Sentimen Kebijakan Pembatasan Subsidi Bahan Bakar Minyak di Indonesia Tahun 2024 Menggunakan Algoritma Klasifikasi
DOI:
https://doi.org/10.52436/1.jpti.825Keywords:
analisis sentimen, random forest classifier, subsidi bahan bakar minyak, support vector classifier, twitterAbstract
Kebijakan pembatasan subsidi Bahan Bakar Minyak (BBM) yang diterapkan pemerintah Indonesia pada tahun 2024 memicu beragam tanggapan masyarakat di media sosial. Penelitian ini bertujuan untuk menganalisis sentimen pengguna X (Twitter) terhadap kebijakan pemerintah tersebut. Dataset yang digunakan terdiri dari 2.011 tweet yang dikumpulkan melalui teknik scraping pada tweet periode 1 September 2024 hingga 31 Desember 2024. Data tersebut kemudian melalui tahap cleansing, preprocessing dan pelabelan sentimen menggunakan lexicon-based approach untuk mengkategorikan tweet ke dalam tiga kelas sentimen yaitu positif, negatif, dan netral. Selanjutnya, dilakukan ekstraksi fitur menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) Vectorizer dan penyeimbangan data dengan teknik Synthetic Minority Oversampling Technique (SMOTE). Pemodelan dilakukan menggunakan dua algoritma klasifikasi yaitu Support Vector Classifier (SVC) dan Random Forest Classifier (RFC). Penalaan parameter dilakukan dengan memanfaatkan Stratified K-Fold Cross-Validation untuk menjaga keseimbangan distribusi kelas selama proses validasi model. Berdasarkan hasil analisis dataset, mayoritas sentimen yang ditemukan adalah negatif sebesar 59%, diikuti oleh sentimen positif sebesar 31%, dan netral sebesar 10%. Selain itu, penelitian juga menghasilkan temuan bahwa model SVC mencapai akurasi lebih baik dibandingkan model RFC yaitu sebesar 77%, sedangkan RFC memiliki nilai akurasi sebesar 73%. Temuan ini mengindikasikan bahwa SVC lebih efektif dalam mengklasifikasikan sentimen terkait kebijakan pembatasan subsidi BBM. Penelitian ini memberikan juga insight mengenai persepsi masyarakat terhadap kebijakan tersebut, yang dapat menjadi pertimbangan bagi pemerintah dalam merumuskan strategi komunikasi dan implementasi kebijakan yang lebih baik di masa depan.
Downloads
References
S. Budiantoro, “Policy Brief: Subsidi Dalam Penguatan Kebijakan Fiskal Pro Kemiskinan,” 2013. https://repository.theprakarsa.org/media/publications/661-policy-brief-04-subsidi-dalam-penguatan-7763bafc.pdf. (accessed: Mar. 04, 2025).
Tempo, “Kenapa Subsidi BBM Dianggap Tidak Tepat Sasaran , Rencana Prabowo Mengubah Menjadi BLT,” 2024. https://www.tempo.co/ekonomi/kenapa-subsidi-bbm-dianggap-tidak-tepat-sasaran-rencana-prabowo-mengubah-menjadi-blt-1164466. (accessed: Mar. 03, 2025).
R. N. Muhammad, L. Wulandari, and B. Tanggahma, “Pengaruh Media Sosial Pada Persepsi Publik Terhadap Sistem Peradilan?: Analisis Sentimen di Twitter,” UNES Law Rev., vol. 7, no. 1, pp. 507–516, 2024, doi: 10.31933/unesrev.v7il.
D. Purnamasari et al., Pengantar Metode Analisis Sentimen. Indonesia: Penerbit Gunadarma Indonesia, 2023.
K. L. Tan, C. P. Lee, and K. M. Lim, “A Survey of Sentiment Analysis: Approaches, Datasets, and Future Research,” Appl. Sci., vol. 13, no. 7, pp. 1–21, 2023, doi: 10.3390/app13074550.
Sudianto, P. Wahyuningtias, H. Warih Utami, U. Ahda Raihan, H. Nur Hanifah, and Y. Nicholas Adanson, “Perbandingan Metode Random Forest Dan Support Vector Machine Pada Analisis Sentimen Twitter (Studi Kasus: Kaburnya Selebgram Rachel Vennya Dari Karantina),” J. Tek. Inform., vol. 3, no. 1, pp. 141–145, 2022, doi: 10.20884/1.jutif.2022.3.1.168.
N. Fathirachman Mahing, A. Lazuardi Gunawan, A. Foresta Azhar Zen, F. Abdurrachman Bachtiar, and S. Agung Wicaksono, “Klasifikasi Tingkat Stress dari Data Berbentuk Teks dengan Menggunakan Algoritma Support Vector Machine (SVM) dan Random Forest,” J. Teknol. Inf. dan Ilmu Komput., vol. 10, no. 7, pp. 1527–1536, 2023, doi: 10.25126/jtiik.1078010.
I. Septiana and D. Alita, “Perbandingan Random Forest dan SVM dalam Analisis Sentimen Quick Count Pemilu 2024,” J. Inform. J. Pengemb. IT, vol. 9, no. 3, pp. 224–233, 2024, doi: 10.30591/jpit.v9i3.6640.
A. P. Giovani, A. Ardiansyah, T. Haryanti, L. Kurniawati, and W. Gata, “Analisis Sentimen Aplikasi Ruang Guru Di Twitter Menggunakan Algoritma Klasifikasi,” J. Teknoinfo, vol. 14, no. 2, pp. 116–124, 2020, doi: 10.33365/jti.v14i2.679.
D. F. Sebastian, H. Sulistiani, and A. R. Isnain, “Analisis Sentimen Opini Masyarakat Mengenai Hak Angket di Indonesia Tahun 2024 Menggunakan Metode Support Vector Machine (SVM),” J. Tek. Inform., vol. 5, no. 4, pp. 1025–1034, 2024, doi: 10.52436/1.jutif.2024.5.4.1968.
F. A. Larasati, D. E. Ratnawati, and B. T. Hanggara, “Analisis Sentimen Ulasan Aplikasi Dana dengan Metode Random Forest,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 9, pp. 4305–4313, 2022.
M. R. Baker, Y. N. Taher, and K. H. Jihad, “Prediction of People Sentiments on Twitter Using Machine Learning Classifiers During Russian Aggression in Ukraine,” Jordanian J. Comput. Inf. Technol., vol. 9, no. 3, pp. 189–206, 2023, doi: 10.5455/jjcit.71-1676205770.
H. Satria, “Crawl Data Twitter Menggunakan Tweet Harvest.” 2023. https://helmisatria.com/blog/crawl-data-twitter-menggunakan-tweet-harvest/. (accessed: Apr. 03, 2025).
A. Maulana, Inayah Khasnaputri Afifah, Asghafi Mubarrak, Kiagus Rachmat Fauzan, Ardhan Dwintara, and B. P. Zen, “Comparison of Logistic Regression, Multinomialnb, SVM, and K-NN Methods on Sentiment Analysis of Gojek App Reviews on the Google Play Store,” J. Tek. Inform., vol. 4, no. 6, pp. 1487–1494, 2023, doi: 10.52436/1.jutif.2023.4.6.863.
W. Y. Chong, B. Selvaretnam, and L. K. Soon, “Natural Language Processing for Sentiment Analysis: An Exploratory Analysis on Tweets,” in Proceedings - 2014 4th International Conference on Artificial Intelligence with Applications in Engineering and Technology, ICAIET 2014, 2014, pp. 212–217. doi: 10.1109/ICAIET.2014.43.
A. Bayhaqy, S. Sfenrianto, K. Nainggolan, and E. R. Kaburuan, “Sentiment Analysis about E-Commerce from Tweets Using Decision Tree, K-Nearest Neighbor, and Naïve Bayes,” in 2018 International Conference on Orange Technologies, ICOT 2018, 2018, pp. 1–6. doi: 10.1109/ICOT.2018.8705796.
R. Faiz Ananda, A. Syahri, and F. N. Hasan, “Sentiment Analysis of Customer Satisfaction in Gojek and Grab Application Reviews Using the Naive Bayes Algorithm,” J. Tek. Inform., vol. 5, no. 1, pp. 233–241, 1680, doi: 10.52436/1.jutif.2024.5.1.1680.
S. N. Listyarini and D. A. Anggoro, “Analisis Sentimen Pilkada di Tengah Pandemi Covid-19 Menggunakan Convolution Neural Network (CNN),” J. Pendidik. dan Teknol. Indones., vol. 1, no. 7, pp. 261–268, 2021, doi: 10.52436/1.jpti.60.
M. Wankhade, A. C. S. Rao, and C. Kulkarni, “A survey on sentiment analysis methods, applications, and challenges,” Artif. Intell. Rev., vol. 55, no. 7, pp. 5731–5780, 2022, doi: 10.1007/s10462-022-10144-1.
J. E. Br Sinulingga and H. C. K. Sitorus, “Analisis Sentimen Opini Masyarakat terhadap Film Horor Indonesia Menggunakan Metode SVM dan TF-IDF,” J. Manaj. Inform., vol. 14, no. 1, pp. 42–53, 2024, doi: 10.34010/jamika.v14i1.11946.
R. Obiedat et al., “Sentiment Analysis of Customers’ Reviews Using a Hybrid Evolutionary SVM-Based Approach in an Imbalanced Data Distribution,” IEEE Access, vol. 10, pp. 22260–22273, 2022, doi: 10.1109/ACCESS.2022.3149482.
Y. Mao, Q. Liu, and Y. Zhang, “Sentiment analysis methods , applications , and challenges?: A systematic literature review,” J. King Saud Univ. - Comput. Inf. Sci., vol. 36, no. 4, pp. 1–16, 2024, doi: 10.1016/j.jksuci.2024.102048.
