KLASIFIKASI SENTIMEN MASYARAKAT TERHADAP KEBIJAKAN KARTU PEKERJA DI INDONESIA

Winda Putri Anggraini(1*), Manda Syari Utami(2)

(1) 
(2) Politeknik Statistika STIS
(*) Corresponding Author

Abstract


Masalah pengangguran merupakan salah satu masalah makro ekonomi yang menjadi penghambat dalam pembangunan suatu negara atau daerah. Tingkat Pengangguran Terbuka (TPT) sejak tahun 2011 dan awal tahun 2020 mengalami penurunan tetapi cenderung melambat. Padahal, pemerintah Indonesia melalui Badan Perencanaan Pembangunan Nasional (Bappenas) menargetkan tingkat pengangguran bisa makin mengecil menjadi di bawah 4% pada tahun 2024. Salah satu program pemerintah, yang dicanangkan sejak awal pemerintahan 2019, untuk mengurangi tingkat pengangguran adalah dengan menerbitkan kartu prakerja. Selain itu juga menjadi salah satu solusi untuk menstimulasi para pekerja yang di-PHK, ataupun orang-orang yang mengalami kesulitan mencari pekerjaan pada masa pandemi. Pro dan kontra mengenai kartu prakerja terus bergulir dalam berbagai macam media. Twitter menjadi salah satu media sosial yang digemari oleh banyak masyarakat dunia termasuk di Indonesia dalam menyampaikan aspirasi, kegemaran, dan pendapatnya. Pro kontra yang hangat dibincangkan di twitter mengenai kartu prakerja menjadi hal yang perlu diperhatikan untuk penyempurnaan kebijakan tersebut. Untuk menganalisis respon masyarakat dengan menggunakan data Twitter, dapat dilakukan dengan analisis sentiment menggunakan metode pengklasifikasian Naïve Bayes. Dari model pengklasifikasian data original, training ataupun testing diperoleh hasil persentase respon berupa sentimen negatif terkait kartu prakerja adalah 52.87% lebih besar dibandingkan persentase sentiment positif sebesar 47.13%. Dan juga didapatkan nilai akurasi sebesar 91.06% dari keseluruhan tweet yang diuji.

Full Text:

PDF (Indonesian)

References


Bimananda, W., Riski, I., Dwi, K., Nooraeni, R., Siahaan, T., & Dhea, Y. 2019. Analisis Text Mining dari Cuitan Twitter Mengenai Infrastruktur di Indonesia dengan Metode Klasifikasi Naïve Bayes. Eigen Mathematics Journal, 1(2), 92-101.

Ipmawati, J., Kusrini, & Taufiq Luthfi, E. 2017. Komparasi Teknik Klasifikasi Teks Mining Pada Analisis Sentimen. Indonesian Journal on Networking and Security, 6(1), 28–36.

Liu, Bing. 2012. Sentiment Analysis and Opinion Mining. Synthesis Lectures on Human Language Technologies, 5(1), 1-167.

Pramana, S., B Yuniarto, S Mariyah, I Santoso, R Nooraeni. 2018. Data Mining dengan R Konsep Serta Implementasi. Jakarta: InMedia.

Prayoga, N. D., Hidayat, N., & Dewi, R. K. 2018. Sistem Diagnosis Penyakit Hati Menggunakan Metode Naïve Bayes. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, 2548, 964X.

Rachman, F dan Purnami, S.W. 2012. Klasifikasi Tingkat Keganasan Breast Cancer dengan Menggunakan Regresi Logistik Ordinal dan Support Vector Machine (SVM). Jurnal Sains dan Seni ITS 2301-928X.

Ridwan, M., Suyono, H., & Sarosa, M. 2013. Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Jurnal EECCIS, 7(1), 59-64.

Srimuddawamah, Ika. 2015. Sistem Pakar Diagnosa Penyakit Kulit Pada Anak Menggunakan Metode Naïve Bayes. Program Teknologi dan Ilmu Komputer. Universitas Brawijaya, Malang

Taneyasa, T., & Sitta, Y. 2019. Amazonaws. Diambil kembali dari Text Cleaning Bahasa Indonesia based Twitter Data: http://rstudio-pubs-static.s3.amazonaws.com/461333_4a26820bb8ea4084be104a8ffb67511b.html.




DOI: http://dx.doi.org/10.30998/faktorexacta.v13i4.7964

Refbacks

  • There are currently no refbacks.




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

template doaj grammarly tools mendeley crossref SINTA sinta faktor exacta   Garuda Garuda Garuda Garuda Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Flag Counter

site
stats View Faktor Exacta Stats


pkp index