ANALISIS SENTIMEN OPINI PUBLIK TENTANG UNDANG-UNDANG CIPTA KERJA PADA TWITTER

Tamora Nonia Wijaya, Rini Indriati, Muhammad Najibulloh Muzaki

Abstract


Twitter menjadi salah satu media sosial yang paling umum digunakan oleh masyarakat Indonesia. Dengan kepopuleran yang dimilikinya, menjadikan Twitter salah satu laman untuk mengekspresikan opini publik mengenai isu yang sedang dalam perbincangan. Undang-Undang Cipta Kerja adalah Omnibus Law pertama dalam hukum Indonesia yang disahkan yang mana didalamnya terdapat aturan yang mengatur tentang ketenagakerjaan, penyederhanaan perizinan, persyaratan investasi, hingga administrasi pemerintahan. Opini pro dan opini kontra terhadap Undang-Undang Cipta Kerja banyak dituangkan masyarakat Indonesia pada sosial media, dalam kasus ini Twitter. Penelitian yang dilakukan berguna untuk menganalisa opini masyarakat Indonesia di media sosial Twitter terhadap Undang-Undang Cipta Kerja dengan mengklasifikasi opini kedalam kelas positif atau negatif. Dengan menggunakan metode Naive Bayes Classifier, klasifikasi opini dilakukan oleh peneliti. Beberapa langkah yang dilakukan dalam penelitian yang diteliti kali ini yaitu pengumpulan data, pelabelan manual, preprocessing, term weighting, pemodelan, pengujian, dan evaluasi performa. Performa terbaik yang diperoleh oleh Naive Bayes Classifier adalah akurasi sebesar 89.9%, precision sebesar 90%, recall sebesar 89.9%, dan f-1 score sebesar 89.9%. Hasil yang didapat menunjukkan bahwa masyarakat Indonesia 52.9% kontra dan 47.1% pro terhadap Undang-Undang Cipta Kerja.

Twitter is one of the most familiar social media that used by Indonesian. With that popularity, Twitter is one of a page to express publics opinions about the recent issues.  Job Creation Law is the first Omnibus Law that was enacted in Indonesia and regulates employment, simplification of licensing, investment requirements, and government administration. Therefore, Job Creation Law received pros and cons from Indonesians on Twitter. The conducted research is to analyze publics opinions towards by classifying the opinions into positive or negative class. The opinions were classified using Naive Bayes Classifier method. The stages in this study are data collection, manual labeling, preprocessing, term weighting, classification modeling, testing, and performance evaluation. The performance obtained by Naive Bayes Classifier is 89.9% accuracy, 90% precision, 89.9% recall, and 89.9% f-1 score. The results showed that Indonesians are 52.9% against and 47.1% support Job Creation Law.


Keywords


analisis sentimen; UU Cipta Kerja; Naïve Bayes Classifier

Full Text:

PDF

References


We Are Social & Hootsuite, “Indonesia Digital Report 2020,” 2020. [Daring]. Tersedia pada: https://datareportal.com/reports/digital-2020-indonesia.

E. N. Hamdana, “Pengembangan Sistem Analisis Sentimen Berbasis Java Pada Data Twitter Terhadap Omnibus Law Menggunakan Algoritma Naïve Bayes dan K-Nearst Neighbor (K-NN),” J. Inform. Polinema, vol. 7, no. 2, hal. 79–84, 2021, doi: 10.33795/jip.v7i2.688.

A. Hasan, S. Moin, A. Karim, dan S. Shamshirband, “Machine Learning-Based Sentiment Analysis for Twitter Accounts,” Math. Comput. Appl., vol. 23, no. 1, hal. 11, 2018.

M. I. Fikri, T. S. Sabrila, dan Y. Azhar, “Perbandingan Metode Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter,” Smatika J., vol. 10, no. 02, hal. 71–76, 2020.

S. Chakrabarti, S. Roy, dan M. V. Soundalgekar, “Fast and accurate text classification via multiple linear discriminant projections,” dalam VLDB ’02: Proceedings of the 28th International Conference on Very Large Databases, Elsevier, 2002, hal. 658–669.

A. Saleh, “Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga,” Creat. Inf. Technol. J., vol. 2, no. 3, hal. 207–217, 2015.

M. A. Rofiqi, A. C. Fauzan, A. P. Agustin, dan A. A. Saputra, “Implementasi Term-Frequency Inverse Document Frequency (TF-IDF) Untuk Mencari Relevansi Dokumen Berdasarkan Query,” Ilk. J. Comput. Sci. Appl. Informatics, vol. 1, no. 2, hal. 58–64, 2019.

D. Susandi dan U. Sholahudin, “Pemanfaatan Vector Space Model pada Penerapan Algoritma Nazief Adriani , KNN dan Fungsi Similarity Cosine untuk Pembobotan IDF dan WIDF pada Prototipe Sistem Klasifikasi Teks Bahasa Indonesia,” J. ProTekInfo, vol. 3, no. 1, hal. 22–29, 2016.

M. Nurmalasari, N. A. Temesvari, dan S. N. Maulana, “Analisis Sentimen terhadap Opini Masyarakat dalam Penggunaan Mobile-JKN untuk Pelayanan BPJS Kesehatan Tahun 2019,” Indones. Heal. Inf. Manag. J., vol. 8, no. 1, hal. 35–44, 2020.

A. Annisa Raudya Wibowo, Nuke Nidya, Aisyah Firdausi Rahma, “ANALISIS SENTIMEN HASHTAG ‘DIRUMAHAJA’ SAAT PANDEMI COVID-19 DI INDONESIA MENGGUNAKAN NLP,” J. Inform. dan Sist. Inf., vol. 1, no. 2, hal. 343–353, 2020.

H. Jiawei, M. Kamber, dan P. Jian, Data Mining: Concepts and Techniques, 3rd ed. Burlington, New Jersey: Morgan Kaufmann Publisher, 2011.

W. Parasati, F. A. Bachtiar, dan N. Y. Setiawan, “Analisis Sentimen Berbasis Aspek pada Ulasan Pelanggan Restoran Bakso President Malang dengan Metode Naïve Bayes Classifier,” J. Pengemb. Teknol. Inf. Dan Ilmu Komput., vol. 4, no. 4, hal. 1090–1099, 2020.

R. Feldman dan J. Sanger, The Text Mining Handbook. New York: Cambridge University Press, 2006.

M. W. Berry dan J. Kogan, Text Mining: Applications and Theory. Hoboken, New Jersey: John Wiley & Sons, Ltd., 2010.

F. Handayani dan S. Pribadi, “Implementasi Algoritma Naive Bayes Classifier dalam Pengklasifikasian Teks Otomatis Pengaduan dan Pelaporan Masyarakat melalui Layanan Call Center 110,” J. Tek. Elektro, vol. 7, no. 1, hal. 19–24, 2015.

F. Nurhuda, S. Widya Sihwi, dan A. Doewes, “Analisis Sentimen Masyarakat terhadap Calon Presiden Indonesia 2014 berdasarkan Opini dari Twitter Menggunakan Metode Naive Bayes Classifier,” J. Teknol. Inf. ITSmart, vol. 2, no. 2, hal. 35, 2016.

G. Berliana, S. Sa, S. Prodi, T. Informatika, F. Informatika, dan U. Telkom, “Klasifikasi Posting Tweet mengenai Kebijakan Pemerintah Menggunakan Naive Bayesian Classification,” e-Proceeding Eng., vol. 5, no. 1, hal. 1562–1569, 2018.

F. Rozy, S. Rangkuti, M. A. Fauzi, Y. A. Sari, E. Dewi, dan L. Sari, “Analisis Sentimen Opini Film Menggunakan Metode Naïve Bayes dengan Ensemble Feature dan Seleksi Fitur Pearson Correlation Coefficient,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 12, hal. 6354–6361, 2018.

Y. R. Silitonga, J. Arjuna, U. No, dan K. Jeruk, “SISTEM PENDETEKSI BERITA HOAX DI MEDIA SOSIAL DENGAN TEKNIK DATA MINING SCIKIT LEARN,” J. Ilmu Komput., vol. 4, hal. 173–179, 2019.

D. A. Fauziah, A. Maududie, dan I. Nuritha, “Klasifikasi Berita Politik Menggunakan Algoritma K-nearst Neighbor ( Classification of Political News Content using K-Nearest Neighbor ) Abstrak,” J. Sist. Inf., vol. 6, no. 2, hal. 8, 2018.

Z. Y. Lamasigi, “DCT Untuk Ekstraksi Fitur Berbasis GLCM Pada Identifikasi Batik Menggunakan K-NN,” Jambura J. Electr. Electron. Eng., vol. 3, no. 1, hal. 1–6, 2021.




DOI: https://doi.org/10.37905/jjeee.v3i2.10885

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Published by:
Electrical Engineering Department
Faculty of Engineering
State University of Gorontalo
Jenderal Sudirman Street No.6, Gorontalo City, Gorontalo Province, Indonesia
Telp. 0435-821175; 081340032063
Email: redaksijjeee@ung.ac.id/redaksijjeee@gmail.com

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.