ANALISIS SENTIMEN PENDAPAT MASYARAKAT TERKAIT PEMBLOKIRAN REKENING NGANGGUR OLEH PPATK PADA MEDIA SOSIAL TWITTER MENGGUNAKAN ALGORITMA NAIVE BAYES

silvana putriani wijaya; Irfan Ali

Authors

silvana putriani wijaya STMIK IKMI Cirebon, Indonesia
Irfan Ali STMIK IKMI Cirebon, Indonesia

Keywords:

Sentiment Analysis, Naïve Bayes Algorithm, twitter

Abstract

Kebijakan Pusat Pelaporan dan Analisis Transaksi Keuangan (PPATK) terkait pemblokiran rekening idle (tidak aktif) menuai pro dan kontra di kalangan masyarakat, terutama di Twitter. Penelitian ini bertujuan menganalisis sentimen publik terkait kebijakan ini menggunakan metode text mining. Data yang digunakan berupa cuitan Twitter yang relevan dengan topik pemblokiran rekening idle. Proses penelitian dilakukan melalui beberapa tahapan, yaitu pengumpulan data, pembersihan teks (preprocessing), ekstraksi fitur menggunakan Term Frequency–Inverse Document Frequency (TF-IDF), dan klasifikasi sentimen menggunakan algoritma Naive Bayes. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model Naive Bayes mampu memberikan kinerja klasifikasi yang baik dengan netral 20,33%, positif 24,17%, dan negatif 55,50% pada data uji. Sebaran sentimen publik didominasi oleh sentimen negatif, yang menunjukkan kekhawatiran publik terhadap potensi pemblokiran yang tidak tepat dan dampak kebijakan ini terhadap pemegang rekening. Sebagian kecil opini bersifat netral atau positif, mencerminkan adanya pihak-pihak yang mendukung langkah PPATK dalam mencegah kejahatan keuangan. Penelitian ini diharapkan dapat memberikan masukan bagi para pembuat kebijakan untuk mengembangkan strategi komunikasi publik yang lebih jelas dan transparan, serta menyediakan ruang bagi masyarakat yang terdampak untuk menyampaikan keberatan.

References

C. C. Aggarwal and C. Zhai, Mining Text Data. Springer, 2018.

B. Liu, Sentiment Analysis: Mining Opinions, Sentiments, and Emotions. Cambridge University Press, 2020.

R. Feldman and J. Sanger, The Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data. Cambridge University Press, 2020.

C. D. Manning, P. Raghavan, and H. Schütze, Introduction to Information Retrieval. Cambridge University Press, 2022.

F. Rahman, Y. Prasetyo, and A. Wibowo, “Sentiment analysis of public policy using Twitter data: A case study in Indonesia,” Procedia Comput. Sci., vol. 216, pp. 321–330, 2023.

I. H. Witten, E. Frank, M. A. Hall, and C. J. Pal, Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, 2020.

L. Zahrotun, “Text preprocessing in Indonesian sentiment analysis,” J. Inf. Syst. Eng. Bus. Intell., vol. 6, no. 1, pp. 1–10, 2020.

Z. Rustam and D. Talita, “Comparison of Naive Bayes and Support Vector Machine for sentiment analysis on social media,” J. Phys. Conf. Ser., vol. 1722, no. 1, 2021.

R. Nugraha and A. Setiawan, “Analisis sentimen opini publik di Twitter menggunakan algoritma Naive Bayes,” J. Teknol. Inf. dan Ilmu Komput., vol. 10, no. 2, pp. 215–224, 2023.