HOSTJOURNALSHOSTJOURNALS
Bulletin of Computer Science ResearchBulletin of Computer Science ResearchStudi ini mengkaji reaksi masyarakat terhadap rencana pemerintah Indonesia penyesuaian tarif PPN dari 11% menjadi 12% yang direncanakan mulai efektif pada tahun 2025. Kebijakan ini memicu beragam pendapat di kalangan warganet, khususnya layanan jejaring sosial X. Untuk menelusuri opini masyarakat, data dikumpulkan melalui teknik web crawling dalam kurun waktu Oktober hingga Desember 2024, menghasilkan 1.871 data. Kemudian dataset melalui praproses teks cleaning, case folding, tokenize, stopword removal, dan stemming dan dataset berkurang menjadi 1806. Selanjutnya, sebanyak 1000 data diberikan label, negatif, netral, positif secara manual oleh pakar bahasa guna memastikan setiap kalimat memiliki label yang sesuai. Data ini akan di gunakan untuk test dan train, kemudian sebanyak 806 data tanpa label digunakan sebagai pengujian akhir. Pada tahapan pembobotan kata dihitung melalui metode Term Frequency-Inverse Document Frequency (TF-IDF) digunakan untuk melakukan proses tersebut. Tiga algoritma machine learning diterapkan dalam penelitian ini untuk perbandingan performa klasifikasi, yaitu Support Vector Machine (SVM), Random Forest, dan Decision Tree. Berdasarkan hasil evaluasi, algoritma SVM mencatat tingkat akurasi tertinggi sebesar 94%, diikuti Random Forest dengan 93%, dan Decision Tree sebesar 91%. Temuan menunjukkan dominasi sentimen negatif, yang menandakan ketidakpuasan masyarakat terhadap kebijakan tersebut. Studi ini membuktikan bahwa teknik machine learning dapat digunakan secara efektif untuk menangkap persepsi publik melalui media sosial, yang pada akhirnya bisa menjadi tolak ukur bagi pemerintah untuk mengambil sebuah keputusan yang akan diberlakukan.
Penelitian ini bertujuan untuk mengevaluasi respons masyarakat terhadap rencana kenaikan tarif PPN melalui percakapan di media sosial X.Hasil analisis sentimen menunjukkan bahwa mayoritas respons adalah negatif, dengan algoritma SVM menunjukkan kemampuan terbaik dalam mengklasifikasikan sentimen tersebut.SVM menghasilkan akurasi sebesar 94%, sementara Random Forest dan Decision Tree masing-masing mencatatkan akurasi 93% dan 91%.Dari analisis yang dilakukan, mayoritas sentimen yang terdeteksi bersifat negatif, mencerminkan rasa tidak setuju publik terhadap kebijakan tersebut.Dominasi sentimen negatif ini mengindikasikan adanya penolakan atau kekhawatiran yang signifikan di kalangan pengguna media sosial X terhadap kebijakan kenaikan PPN, yang perlu dipertimbangkan oleh pemerintah dalam strategi komunikasi dan implementasi kebijakan.Studi ini menunjukkan bahwa teknik machine learning dapat diterapkan secara efektif untuk menganalisis persepsi publik di media sosial, yang pada akhirnya dapat menjadi acuan bagi pemerintah dalam mengambil keputusan yang akan diterapkan.Namun, penelitian ini juga mengungkap beberapa keterbatasan.Pertama, klasifikasi sentimen netral dan positif masih kurang optimal, yang dapat disebabkan oleh ketidakseimbangan data dalam kategori tersebut, karena model cenderung lebih terlatih untuk mengenali pola pada kelas yang jumlah datanya dominan, dalam hal ini sentimen negatif.Akibatnya, model memiliki bias terhadap kelas tersebut dan kurang mampu mengenali ciri khas dari kelas netral dan positif yang jumlah datanya lebih sedikit, sehingga performa klasifikasi pada kedua kelas tersebut menjadi rendah.Kedua, penelitian ini hanya menggunakan data dari media sosial X selama periode terbatas, sehingga hasilnya mungkin tidak sepenuhnya merepresentasikan opini publik secara keseluruhan.Ketiga, metode preprocessing yang digunakan meskipun efektif, masih bisa ditingkatkan untuk meminimalkan kesalahan dalam analisis sentimen.Untuk penelitian selanjutnya, disarankan untuk meningkatkan jumlah dan variasi dataset, khususnya untuk kategori netral dan positif, guna mengurangi bias dalam model.Selain itu, eksplorasi algoritma lain, seperti Gradient Boosting atau Neural Networks, dapat dilakukan untuk membandingkan performa dan meningkatkan akurasi klasifikasi.Penambahan fitur seperti analisis temporal untuk melihat tren sentimen seiring waktu juga dapat menjadi nilai tambah dalam memahami perubahan opini publik.Dengan perbaikan ini, diharapkan model dapat memberikan hasil yang lebih representatif dan akurat untuk mendukung pengambilan keputusan berbasis data.
Berdasarkan hasil penelitian ini, berikut adalah beberapa saran untuk penelitian lanjutan:. . 1. Mengembangkan model yang lebih canggih dengan menggunakan teknik-teknik machine learning yang lebih kompleks, seperti Gradient Boosting atau Neural Networks, untuk meningkatkan akurasi klasifikasi sentimen netral dan positif. Hal ini dapat membantu mengurangi bias terhadap kelas sentimen negatif dan meningkatkan kemampuan model dalam mengenali ciri khas dari kelas netral dan positif.. . 2. Melakukan pengumpulan data yang lebih luas dan bervariasi, tidak hanya terbatas pada media sosial X dan periode waktu tertentu. Dengan memperluas sumber data, penelitian dapat menangkap opini publik secara lebih komprehensif dan merepresentasikan beragam pandangan masyarakat. Hal ini dapat dilakukan dengan mengumpulkan data dari berbagai platform media sosial, forum online, atau bahkan wawancara langsung dengan responden.. . 3. Memperbaiki metode preprocessing data dengan menambahkan langkah-langkah yang lebih canggih, seperti penggunaan teknik-teknik pengolahan bahasa alami (NLP) yang lebih maju. Hal ini dapat membantu mengurangi kesalahan dalam analisis sentimen dan meningkatkan kualitas data yang digunakan untuk pelatihan model. Dengan demikian, model dapat lebih akurat dalam mengklasifikasikan sentimen dan memberikan hasil yang lebih representatif.. . Dengan menggabungkan ketiga saran tersebut, penelitian lanjutan dapat meningkatkan akurasi dan representasi hasil analisis sentimen, sehingga dapat memberikan kontribusi yang lebih signifikan dalam mendukung pengambilan keputusan berbasis data oleh pemerintah.
- Efektivitas Penggunaan Twitter Sebagai Sarana Peningkatan Berpikir Kritis Mahasiswa Ilmu Komunikasi |... journal.yp3a.org/index.php/mukasi/article/view/1346Efektivitas Penggunaan Twitter Sebagai Sarana Peningkatan Berpikir Kritis Mahasiswa Ilmu Komunikasi journal yp3a index php mukasi article view 1346
- Prediksi Jumlah Kendaraan Bermotor Menggunakan Machine Learning | Formosa Journal of Multidisciplinary... journal.formosapublisher.org/index.php/fjmr/article/view/745Prediksi Jumlah Kendaraan Bermotor Menggunakan Machine Learning Formosa Journal of Multidisciplinary journal formosapublisher index php fjmr article view 745
- SENTIMENT ANALYSIS OF COFFEE SHOP REVIEWS USING RANDOM FOREST CLASSIFIER METHOD | JTH: Journal of Technology... doi.org/10.61677/jth.v2i2.152SENTIMENT ANALYSIS OF COFFEE SHOP REVIEWS USING RANDOM FOREST CLASSIFIER METHOD JTH Journal of Technology doi 10 61677 jth v2i2 152
- Model Machine Learning Untuk Analisis Sentimen Masyarakat Terhadap Kenaikan PPN di Media Sosial X | Bulletin... doi.org/10.47065/bulletincsr.v5i4.523Model Machine Learning Untuk Analisis Sentimen Masyarakat Terhadap Kenaikan PPN di Media Sosial X Bulletin doi 10 47065 bulletincsr v5i4 523
| File size | 673.05 KB |
| Pages | 10 |
| DMCA | Report |
Related /
UINSAUINSA Meskipun demikian, opini masyarakat terhadap perempuan berkarier masih bervariasi. Sebagian melihatnya secara positif, menilai bahwa perempuan dapat membantuMeskipun demikian, opini masyarakat terhadap perempuan berkarier masih bervariasi. Sebagian melihatnya secara positif, menilai bahwa perempuan dapat membantu
UMPPUMPP Hasil penelitian menunjukkan bahwa dari 525 tweet yang dianalisis, 468 tweet memiliki sentimen positif, 48 tweet negatif, dan 9 tweet netral. Model SVMHasil penelitian menunjukkan bahwa dari 525 tweet yang dianalisis, 468 tweet memiliki sentimen positif, 48 tweet negatif, dan 9 tweet netral. Model SVM
ASDKVIASDKVI Media berperan sebagai jembatan informasi sekaligus alat kontrol sosial terhadap kinerja pemerintah, termasuk dalam memantau penyelenggaraan layanan kesehatanMedia berperan sebagai jembatan informasi sekaligus alat kontrol sosial terhadap kinerja pemerintah, termasuk dalam memantau penyelenggaraan layanan kesehatan
HOSTJOURNALSHOSTJOURNALS Hasil menunjukkan bahwa SVM Linear mencapai kinerja terbaik dengan akurasi 90,17% dan F1-score 0,902, efektif mengkategorikan sentimen di semua kelas sambilHasil menunjukkan bahwa SVM Linear mencapai kinerja terbaik dengan akurasi 90,17% dan F1-score 0,902, efektif mengkategorikan sentimen di semua kelas sambil
MES BOGORMES BOGOR Media sosial menjadi platform penting dalam menyuarakan opini publik. Salah satu media sosial yang sering digunakan dan paling populer adalah Twitter.Media sosial menjadi platform penting dalam menyuarakan opini publik. Salah satu media sosial yang sering digunakan dan paling populer adalah Twitter.
IOINFORMATICIOINFORMATIC Nilai akurasi tertinggi dari dataset tidak seimbang didapatkan yaitu sebesar 88.89% pada rasio pembagian data latih dan data uji 90:10 serta akurasi tertinggiNilai akurasi tertinggi dari dataset tidak seimbang didapatkan yaitu sebesar 88.89% pada rasio pembagian data latih dan data uji 90:10 serta akurasi tertinggi
ITKITK Media sosial merupakan media yang digunakan oleh pengguna untuk memperkenalkan diri, berinteraksi, berkolaborasi, dan berbagi informasi dengan penggunaMedia sosial merupakan media yang digunakan oleh pengguna untuk memperkenalkan diri, berinteraksi, berkolaborasi, dan berbagi informasi dengan pengguna
IRPIIRPI Penelitian ini bertujuan untuk memberikan hasil opini masyarakat tentang analisa sentimen vaksinasi COVID-19 menggunakan algoritma Naïve Bayes ClassifierPenelitian ini bertujuan untuk memberikan hasil opini masyarakat tentang analisa sentimen vaksinasi COVID-19 menggunakan algoritma Naïve Bayes Classifier
Useful /
STIKKUSTIKKU Diharapkan kepada remaja untuk selalu bersyukur atas segala nikmat yang telah diperoleh, menerima segala kekurangan dan kelebihan yang ada dalam diri sendiriDiharapkan kepada remaja untuk selalu bersyukur atas segala nikmat yang telah diperoleh, menerima segala kekurangan dan kelebihan yang ada dalam diri sendiri
CAHAYA ICCAHAYA IC Filosofi ini relevan di era digital untuk menciptakan individu yang mampu beradaptasi dengan perubahan teknologi tanpa mengabaikan nilai moral. HasyimFilosofi ini relevan di era digital untuk menciptakan individu yang mampu beradaptasi dengan perubahan teknologi tanpa mengabaikan nilai moral. Hasyim
CAHAYA ICCAHAYA IC Metodologi penelitian mengikuti tahapan pengembangan instrumen berbasis teori dan pendekatan model Rasch. Instrumen yang dikembangkan melalui tahapan persiapanMetodologi penelitian mengikuti tahapan pengembangan instrumen berbasis teori dan pendekatan model Rasch. Instrumen yang dikembangkan melalui tahapan persiapan
IRPIIRPI (1) Aplikasi dengan memanfaatkan augmented reality berhasil dibuat dengan menampilkan objek virtual 3 dimensi dan deskripsi bencana yang ditampilkan pada(1) Aplikasi dengan memanfaatkan augmented reality berhasil dibuat dengan menampilkan objek virtual 3 dimensi dan deskripsi bencana yang ditampilkan pada