Publisher

STMIK BANJARBARUSTMIK BANJARBARU

Journal Progresif: Jurnal Ilmiah KomputerProgresif: Jurnal Ilmiah Komputer Abstract

Penerimaan Calon Pegawai Negeri Sipil (CPNS) 2024 menarik perhatian publik dengan berbagai opini yang mencerminkan sentimen masyarakat. Penelitian ini menerapkan machine learning dan teknik text mining untuk menganalisis sentimen berdasarkan komentar yang dikumpulkan dari berbagai sumber. Proses dimulai dengan pra-pemrosesan teks, termasuk tokenisasi, penghapusan stopwords, serta transformasi teks menggunakan TF-IDF. Model Support Vector Machine (SVM) digunakan untuk mengklasifikasikan sentimen menjadi positif dan negatif. Data dibagi menjadi data pelatihan dan pengujian dengan perbandingan 80% data training dan 20% data uji guna mengevaluasi kinerja model. Hasil eksperimen menunjukkan bahwa model mencapai akurasi 82,5%, menandakan kinerja yang cukup baik dalam mengenali pola opini masyarakat. Analisis ini memberikan wawasan mengenai aspek yang diapresiasi maupun dikritik oleh publik terkait penerimaan CPNS 2024. Temuan ini dapat dimanfaatkan oleh pemangku kebijakan untuk merancang strategi yang lebih responsif terhadap kebutuhan dan harapan masyarakat dalam proses seleksi CPNS.

Conclusion

Analisis sentimen terhadap penerimaan CPNS 2024 dilakukan untuk mengidentifikasi pandangan masyarakat baik positif maupun negatif.Proses meliputi pengumpulan data komentar, pra-pemrosesan teks, dan klasifikasi menggunakan algoritma Support Vector Machine (SVM) dengan transformasi TF-IDF.Model menghasilkan akurasi sebesar 82,5%, yang memberikan wawasan berguna bagi pemangku kebijakan untuk merancang strategi seleksi CPNS yang lebih responsif terhadap masukan publik.

Future Research

Pertama, perlu dilakukan penelitian untuk menganalisis perbedaan sentimen publik terhadap CPNS 2024 antar wilayah di Indonesia, guna mengetahui apakah faktor geografis atau ekonomi memengaruhi persepsi masyarakat. Kedua, penting untuk mengembangkan model analisis sentimen yang dapat membedakan opini berdasarkan status sosial pengguna media sosial, seperti pelajar, pekerja, atau pencari kerja, agar hasil analisis lebih kontekstual dan representatif. Ketiga, sebaiknya dikembangkan penelitian yang menggabungkan metode SVM dengan pendekatan lain seperti deep learning atau ensemble learning untuk meningkatkan akurasi klasifikasi sentimen, terutama dalam menangani data yang lebih besar dan kompleks. Penelitian-penelitian ini akan membantu memahami dinamika sosial yang lebih dalam terkait rekrutmen aparatur negara dan meningkatkan kualitas kebijakan publik di masa depan. Selain itu, perlu dieksplorasi bagaimana sentimen berubah dari waktu ke waktu selama proses seleksi, sehingga dapat dipetakan tren opini publik secara dinamis. Studi lanjutan juga bisa mengevaluasi dampak dari informasi resmi dari pemerintah terhadap pergeseran sentimen negatif menjadi positif. Dengan demikian, hasil penelitian tidak hanya deskriptif tetapi juga prediktif dan intervensif. Penggunaan data dari platform selain Twitter, seperti Instagram atau Facebook, juga patut diteliti untuk melihat konsistensi hasil analisis. Integrasi dengan data kuantitatif pendaftar resmi dapat menunjukkan hubungan antara sentimen publik dan minat riil masyarakat. Akhirnya, penelitian bisa fokus pada identifikasi topik spesifik yang paling sering dikritik, seperti sistem seleksi atau distribusi formasi, untuk memberikan rekomendasi kebijakan yang lebih terfokus.

References

1. Analisis sentimen aplikasi tiktok menggunakan algoritma naïve bayes dan support vector machine |... doi.org/10.37373/tekno.v10i2.419Analisis sentimen aplikasi tiktok menggunakan algoritma nayve bayes dan support vector machine doi 10 37373 tekno v10i2 419
2. Analisis Sentimen Menggunakan K-Nearest Neighbor Terhadap New Normal Masa Covid-19 Di Indonesia | Techno.Com.... publikasi.dinus.ac.id/index.php/technoc/article/view/5446Analisis Sentimen Menggunakan K Nearest Neighbor Terhadap New Normal Masa Covid 19 Di Indonesia Techno Com publikasi dinus ac index php technoc article view 5446
3. Analisis Sentimen Masyarakat Terhadap Perekrutan Pppk Pada Twitter Dengan Metode Naive Bayes Dan Support... ejournal.sisfokomtek.org/index.php/saintek/article/view/1359Analisis Sentimen Masyarakat Terhadap Perekrutan Pppk Pada Twitter Dengan Metode Naive Bayes Dan Support ejournal sisfokomtek index php saintek article view 1359
4. Analisis Sentimen Wacana Pemindahan Ibu Kota Indonesia Menggunakan Algoritma Support Vector Machine (SVM)... jtiik.ub.ac.id/index.php/jtiik/article/view/3944Analisis Sentimen Wacana Pemindahan Ibu Kota Indonesia Menggunakan Algoritma Support Vector Machine SVM jtiik ub ac index php jtiik article view 3944
5. Analisis Sentimen Terhadap Aplikasi Lowongan Kerja Menggunakan Lexicon Based Features Dan Support Vector... ojs.stmik-banjarbaru.ac.id/index.php/jutisi/article/view/1867Analisis Sentimen Terhadap Aplikasi Lowongan Kerja Menggunakan Lexicon Based Features Dan Support Vector ojs stmik banjarbaru ac index php jutisi article view 1867

Metadata

File size	333.66 KB
Pages	12
DMCA	Report