ANALISIS SENTIMEN PADA TWITTER TERHADAP KENAIKAN BBM 2022 DENGAN LEXICON DAN SUPPORT VECTOR MACHINE

Abstrak

Pada bulan September 2022, pemerintah Indonesia menaikkan harga BBM karena meningkatnya harga minyak dunia. Pemerintah tidak lagi mampu mempertahankan harga BBM subsidi yang sebelumnya sekitar Rp 7.650 per liter dan subsidi APBN yang telah mencapai Rp 502 Triliun. Oleh karena itu, harga BBM subsidi naik menjadi Rp 10.000 per liter. BBM adalah bahan bakar yang sangat penting bagi masyarakat, terutama dalam sektor ekonomi. Ketidakstabilan harga BBM dapat mempengaruhi biaya operasional masyarakat dalam kegiatan sehari-hari, seperti para pengemudi ojek online, pelajar, mahasiswa, dan pegawai yang setiap hari menggunakan kendaraan pribadi. Kebijakan pemerintah menaikkan harga BBM menuai kontroversi di seluruh media sosial, termasuk media sosial Twitter. Selama beberapa hari sejak di tetapkannya kenaikan harga BBM, Twitter dipenuhi cuitan dengan kata kunci kenaikan harga BBM. Oleh karena itu penelitian ini memanfaatkan media sosial Twitter sebagai acuan sumber data yang akan diteliti. Dengan menganalisis respon sentiment masyarakat pengguna twitter (tweet) yang akan dijadikan sebagai topik dasar penelitian dengan teori analisis sentimen dan text mining. Menggunakan Metode Support Vector Machine (SVM) untuk mengetahui tingkat akurasi dalam menentukan respon sentimen masyarakat pengguna twitter terhadap kenaikan harga BBM. Data yang diklasifikasi menjadi 2 kategori yaitu Positif dan Negatif. Pada penelitian ini Dataset yang diperoleh melalui teknik scraping Twitter menggunakan Jupyter Notebook pada library python. Selanjutnya dataset tersebut dijadikan dasar untuk melakukan penentuan kelompok label dari hasil klasifikasi analisis sentimen kenaikan harga BBM. Dari hasil penelitian ini didapatkan 234 data responden negatif mendapat nilai sebesar 59.09% dan 162 data responden positif mendapat nilai sebesar 40.91%. hasil dari metode klasifikasi Support Vector Machine pada Score Accuracy Bag of Word sebesar 79.83193277310924, accuracy score term presence sebanyak 78.15126050420169, accuracy score TF-IDF sebanyak 78.99159663865547.