PENERAPAN ALGORITMA K-NEAREST NEIGHBOR UNTUK ANALISIS SENTIMEN PENGGUNA TWITTER TERHADAP KEBIJAKAN SUBSIDI KENDARAAN LISTRIK

Penulis

  • Aga Syabana Putra Universitas Budi Luhur
  • Dian Anubhakti
  • Rusdah
  • Lauw Li Hin

Kata Kunci:

Subsidi Kendaraan Listrik, Text Mining, Analisis Sentimen, K-Nearest Neighbor

Abstrak

Ancaman krisis energi di masa depan mendorong pemerintah Indonesia untuk berperan aktif dalam mendukung peralihan penggunaan kendaraan dari kendaraan bermotor berbahan bakar minyak ke kendaraan listrik berbasis baterai dengan mengeluarkan peraturan terkait pemberian subsidi kendaraan listrik. Peran media sosial seperti Twitter dapat menjadi wadah dan sarana pengumpulan data yang dapat digunakan untuk mengetahui reaksi publik terhadap kebijakan pemberian subsidi kendaraan listrik yang dilakukan oleh pemerintah. Opini masyarakat terhadap kebijakan subsidi kendaraan listrik di media sosial Twitter cenderung negatif, sebab kebijakan tersebut dianggap tidak adil karena lebih memihak kepada masyarakat golongan menengah ke atas. Namun demikian belum terdapat penelitian yang mengklasifikasikan sentimen opini masyarakat di Twitter terhadap kebijakan tersebut. Penelitian ini bertujuan untuk mencari nilai positif dan negatif atas kebijakan pemberian subsidi kendaraan listrik menggunakan algoritma K-Nearest Neighbor dengan mengimplementasikan Cross-Industry Standard Process for Data Mining (CRISP-DM) menggunakan kata kunci “Subsidi Kendaraan Listrik”, “Subsidi Mobil Listrik”, dan “Mobil Listrik”. Proses pengumpulan data dilakukan dengan menggunakan bantuan tools Rapidminer. Data awal yang dikumpulkan berjumlah 7,518 data tweet namun setelah melewati tahap data preprocessing dan membuang data bersentimen netral, maka jumlah data yang siap digunakan berkurang menjadi 1,107 data tweet dimana 298 data berlabel positif dan 809 data berlabel negatif, sehingga dapat diketahui 73.08% dari seluruh data tweet yang digunakan dalam penelitian ini berisi sentimen negatif. Berdasarkan penerapan model menggunakan algoritma K-Nearest Neighbor dan metode Split Data, diperoleh nilai accuracy sebesar 73.42%, precision sebesar 81.99%, dan recall sebesar 81.48%.

Referensi

Kementerian Keuangan Republik Indonesia, “Peraturan Pemerintah Tahun Nomor 38 Tahun 2023 Tentang Pajak Pertambahan Nilai Atas Penyerahan Kendaraan Bermotor Listrik Berbasis Baterai Roda Empat Tertentu Dan Kendaraan Bermotor Listrik Berbasis Baterai Bus Tertentu Yang Ditanggung Pemerintah Tahun Anggaran 2023,” 2023.

G. Fajriansyah, G. Forda Nama, Y. Mulyani, J. Sumantri, B. No, and B. Lampung, “ANALISIS DAFTAR PEMILIH TETAP PADA HASIL REKAPITULASI KPU BERDASARKAN USIA MENGGUNAKAN ALGORITMA K-MEANS (STUDI KASUS : KOTA BANDAR LAMPUNG),” Electrician : Jurnal Rekayasa dan Teknologi Elektro, vol. 15, no. 1, pp. 39–53, Jan. 2021, doi: 10.23960/ELC.V15N1.2147.

N. Sucahyo, L. Nurlaela, and R. R. Waryono, “Analisis Sentimen Masyarakat Jakarta Terhadap Kebijakan Perluasan Dan Perpanjangan Ganjil Genap di Media Sosial Twitter,” Jurnal Teknologi Informatika dan Komputer, vol. 7, no. 1, pp. 97–111, Mar. 2021, doi: 10.37012/jtik.v7i1.506.

A. F. Riyadi, F. R. Rahman, M. A. Nofa Pratama, M. K. Khafidli, and H. Patria, “Pengukuran Sentimen Sosial Terhadap Teknologi Kendaraan Listrik: Bukti Empiris di Indonesia,” EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi, vol. 11, no. 2, p. 141, Dec. 2021, doi: 10.36448/expert.v11i2.2171.

Y. Sergio, V. Putranta, B. Rahayudi, and W. Purnomo, “Analisis Sentimen Masyarakat terhadap Kebijakan Penghapusan Subsidi BBM pada Media Sosial Twitter menggunakan Algoritma Naive Bayes Classifier dengan Ekstraksi Fitur N-Gram TF-IDF,” 2023. [Online]. Available: http://j-ptiik.ub.ac.id

A. Agustian, Tukino, and F. Nurapriani, “PENERAPAN ANALISIS SENTIMEN DAN NAIVE BAYES TERHADAP OPINI PENGGUNAAN KENDARAAN LISTRIK DI TWITTER,” Jurnal Tika, vol. 7, no. 3, pp. 243–249, 2022.

A. Luthfika Fairuz, R. Dias Ramadhani, N. Annisa, and F. Tanjung, “Analisis Sentimen Masyarakat Terhadap COVID-19 Pada Media Sosial Twitter,” 2021. [Online]. Available: http://journal.ittelkom-pwt.ac.id/index.php/dinda

C. Anam and H. B. Santoso, “Perbandingan Kinerja Algoritma C4.5 dan Naive Bayes untuk Klasifikasi Penerima Beasiswa,” Jurnal Ilmiah Ilmu-Ilmu Teknik, vol. 8, no. 1, pp. 2088–4591, 2018.

O. Somantri and D. Dairoh, “Analisis Sentimen Penilaian Tempat Tujuan Wisata Kota Tegal Berbasis Text Mining,” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 5, no. 2, pp. 191–196, Aug. 2019, doi: 10.26418/JP.V5I2.32661.

O. Y. Findawati, M. M. Muhammad, A. Rosid, S. Kom, and M. Kom, BUKU AJAR TEXT MINING, vol. 1. UMSIDA PRESS, 2021.

Unduhan

Diterbitkan

11-10-2023

Cara Mengutip

Putra, A. S., Anubhakti, D., Rusdah, & Hin, L. L. (2023). PENERAPAN ALGORITMA K-NEAREST NEIGHBOR UNTUK ANALISIS SENTIMEN PENGGUNA TWITTER TERHADAP KEBIJAKAN SUBSIDI KENDARAAN LISTRIK. Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), 2(2), 736–744. Diambil dari https://senafti.budiluhur.ac.id/index.php/senafti/article/view/871

Terbitan

Bagian

Artificial Intelligence

Artikel paling banyak dibaca berdasarkan penulis yang sama

1 2 3 4 > >>