Analisis Sentimen Sosial Media Terhadap Kasus Kebijakan dengan Teknik Teks Mining

Data dikumpulkan dari media sosial X menggunakan kata kunci “tapera lang:id” dalam rentang waktu 21 Juni hingga 23 Juli 2024, menghasilkan 5.011 data mentah yang kemudian disaring menjadi 2.936 data akhir. Data ini kemudian diproses dengan teknik pemrosesan teks untuk memastikan relevansi dan keakuratan analisis.

Pemodelan dan Evaluasi

Pada tahap pemodelan, data dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian. Model yang digunakan adalah SVM dan Random Forest, yang kemudian dievaluasi dengan Confusion Matrix untuk mengukur akurasi, presisi, recall, dan skor F1. Hasil evaluasi menunjukkan bahwa:

• SVM mencapai akurasi 88%, presisi 89%, recall 88%, dan skor F1 88%.

• Random Forest mencapai akurasi 86%, presisi 88%, recall 86%, dan skor F1 86%. Hasil ini menunjukkan bahwa model SVM memiliki performa yang sedikit lebih baik dibandingkan Random Forest dalam analisis sentimen program TAPERA.

Hasil dan Pembahasan

Hasil analisis sentimen menunjukkan bahwa sentimen negatif mendominasi opini masyarakat terhadap program TAPERA. Hal ini terlihat dari visualisasi data berupa grafik distribusi sentimen dan wordcloud. Kata-kata yang paling sering muncul dalam diskusi terkait TAPERA mencakup "potong", "rakyat", "asuransi", dan "pajak", yang mencerminkan kekhawatiran publik terhadap program ini.

Wordcloud analisis sentimen program Tapera

Kesimpulan

Penelitian ini menunjukkan bahwa pendekatan Machine Learning dengan algoritma SVM dan Random Forest dapat digunakan untuk menganalisis sentimen masyarakat terhadap program TAPERA. Model SVM terbukti lebih unggul dalam mengklasifikasikan sentimen dibandingkan Random Forest. Temuan ini dapat digunakan oleh pemerintah sebagai bahan evaluasi kebijakan dan strategi komunikasi yang lebih efektif dalam meningkatkan pemahaman serta penerimaan masyarakat terhadap program TAPERA. Studi lanjutan direkomendasikan untuk mengevaluasi sentimen masyarakat setelah implementasi program ini dalam beberapa tahun ke depan.