Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VI (No.
1 ) : 509 - 518.
Th.
p-ISSN: 2620-620X
e-ISSN: 2621-9840
ANALISIS SENTIMEN KEBIJAKAN JAMINAN HARI TUA (JHT)
PADA TWITTER MENGGUNAKAN NAyaVE BAYES Sentiment Analysis of Old Age Guarantee Policy (JHT) On Twitter Using Nayve Bayes Hendra Wijaya, hendra.
wijaya095@gmail.
Lukman Hakim, lhakim2710@gmail.
* .
Program Studi Informatika/Fakultas Teknologi dan Desain.
Universitas Bunda Mulia
Diajukan 7 Juli 2022 / Disetujui 13 Maret 2023
ABSTRACT
This research is based on the policy of disbursement of JHT funds, which at this time has changed, because in the Regulation of the Minister of Manpower Number 2 of 2022 concerning Procedures and Requirements for Payment of Old Age Guarantee Benefits, workers cannot disburse JHT directly after experiencing termination of employment (LAYOFFS) or resigning from the job.
This research uses the nayve bayes method to determine the sentiment of the public towards the policy.
The goal is to find out the public opinion whether the public is pro and contra with the policy regarding the revision of the JHT disbursement rules.
The results of this study received dataset input obtained from Twitter using the web scraping method, then the data went through the preprocessing stage.
The results of this study received dataset input obtained from Twitter using the web scraping method, then the data went through the preprocessing stage.
The data from preprocessing is divided into training data and testing data, after which the data is then analyzed using the nayve bayes method so as to produce positive sentiment and negative From the test results using the confusion matrix, three tests were carried out using different amounts of test data, the best accuracy results were obtained using the number of test data of 10%, namely the accuracy value of 91.
Keywords: Confusion Matrix.
JHT.
Nayve Bayes.
Twitter
ABSTRAK
Penelitian ini dilatar belakangi kebijakan pencairan dana JHT yang pada saat ini terjadi perubahan, pasalnya dalam Peraturan Menteri Ketenagakerjaan Nomor 2 Tahun 2022 tentang Tata Cara dan Persyaratan Pembayaran Manfaat Jaminan Hari Tua itu, pekerja tidak bisa mencairkan JHT langsung setelah mengalami Pemutusan Hubungan Kerja (PHK) atau mengundurkan diri dari pekerjaan tersebut.
Penelitian ini mengunakan metode nayve bayes untuk mengetahui sentiment dari masyarakat terhadap kebijakan tersebut.
Tujuannya diharapkan dapat mengetahui opini public apakah masyarakat pro dan kontra dengan kebijakan mengenai revisi aturan pencairan dana JHT tesebut.
Hasil dari penelitian ini menerima input dataset yang diperoleh dari twitter menggunakan metode web scraping, lalu data tersebut melalui tahapan preprocessing.
Data hasil dari preprocessing dibagi menjadi data training dan data testing, setelah itu data kemudian dianalisis menggunakan metode nayve bayes sehingga menghasilkan sentimen positif dan sentimen negatif.
Dari hasil pengujian menggunakan confusion matrix, dilakukan tiga kali pengujian menggunakan jumlah data test yang berbeda, hasil akurasi terbaik di dapatkan menggunakan jumlah data test 10% yaitu nilai akurasi 91,46% Kata Kunci: Confusion Matrix.
JHT.
Nayve Bayes.
Twitter
PENDAHULUAN
Kebijakan pencairan dana JHT pada saat ini terjadi perubahan, pasalnya dalam Peraturan Menteri Ketenagakerjaan Nomor 2 Tahun 2022 tentang Tata Cara dan Persyaratan Pembayaran Manfaat Jaminan Hari Tua itu, pekerja tidak bisa mencairkan JHT langsung setelah mengalami Pemutusan Hubungan Kerja (PHK) atau mengundurkan diri dari pekerjaan tersebut.
Dalam aturan baru, peserta JHT hanya bisa mencairkan tabungannya ketika mencapai usia 56 tahun.
Dari *Korespondensi Penulis:
E-mail: lhakim2710@gmail.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VI (No.
1 ) : 509 - 518.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 terbitnya peraturan tersebut mendapatkan respon dari berbagai pihak, misalnya buruh, anggota DPR (Dewan Perwakilan Rakya.
, hingga masyarakat umum dengan menandatangani petisi pada org serta sosial media Twitter.
Sosial media Twitter dijadikan tempat untuk memberikan pendapat masyarakat dalam bentuk tweet terkait kebijakan pemerintah tersebut.
Banyak masyarakat yang tidak setuju terhadap kebijakan tersebut, namun ada juga masyarakat yang setuju karena kebijakan tersebut dirasa tepat.
Sekitar 424.
272 menolak revisi aturan pencairan dana JHT dengan menandatangani petisi dihalaman change.
Meski terdapat peraturan tersebut ada pihak yang mendukung peraturan terbaru, yaitu Kementerian Ketenagakerjaan (Kemnake.
dikarenakan peraturan tersebut dinilai dapat memperbaiki aturan Jaminan Hari Tua (CNN Indonesia, 2.
Dari uraian diatas masalah yang dapat diidentifikasi yaitu banyaknya reaksi masyarakat yang dicurahkan dalam media sosial Twitter sulit untuk mengelompokan kecenderungan opini yang Akan memakan waktu bila harus membaca satu persatu opini yang ditulis masyarakat.
Tujuan dari penelitian ini adalah untuk mengetahui pendapat masyarakat apakah pro dan kontra terhadap kebijakan tersebut dengan melakukan Analisis Sentimen, membuat aplikasi yang dapat melakukan analisis sentimen masyarakat terkait revisi kebijakan jaminan hari tua (JHT) pada Twitter serta mengimplementasikan metode Nayve Bayes dan mengetahui tingkat akurasi dalam sistem analisis sentimen masyarakat terkait revisi kebijakan pencairan dana jaminan hari tua (JHT) pada Twitter.
Manfaat yang diharapkan dari penelitian ini yaitu sistem analisis sentimen ini akan digunakan pribadi sebagai sumber pengetahuan baru bagi peneliti.
Dari hasil analisis sentimen ini dapat diketahui opini masyarakat terkait revisi kebijakan pencairan dana jaminan hari tua (JHT) pada Twitter, serta dapat mengetahui hasil akurasi dari metode Nayve Bayes dalam melakukan analisis sentimen masyarakat terhadap revisi kebijakan pencairan dana jaminan hari tua (JHT) pada Twitter berupa sentimen positif dan negatif.
METODOLOGI PENELITIAN
Metode penelitian yang diterapkan pada penelitian ini adalah dengan pengembangan metode Alasan menggunakan metode waterfall adalah karena dalam pengembangannya bersifat sistematik dan sekuensial.
Selain itu metode waterfall dilakukan secara berurutan dan Berikut beberapa tahapan-tahapan yang dilakukan dalam penelitian ini:
nalisis kebutuha.
, desain sistem .
ystem desig.
Coding & Testing.
Penerapan Program, pemeliharaan.
Pemilihan algoritma untuk memfokuskan pemecahan masalah pada analisis sentimen twitter terkait Jaminan Hari Tua dengan menggunakan Naive Bayes Classifiier.
Dengan menggunakan Naive Bayes Classifiier dapat menentukan jenis kata yang bersifat positif, atau negatif.
, .
Perancangan Proses Metode Nayve Bayes terdiri dari Melakukan Pre-Processing menggunakan Term Frequency.
Term frequency (TF) adalah metode pernghitungan jumlah kata kunci yang digunakan dengan token dari setiap kelas .
Selain itu juga menggunakan Document Frequency.
Document frequency adalah banyaknya kata kunci yang muncul dari dokumen.
, .
Berikutnya dilakukan Inverse Document Frequency (IDF), dimana IDF merupakan pembobotan untuk setiap kata kunci yang dihasilkan.
Ae.
Setelah dilakukan tahapan TF-IDF maka dilakukan proses klasifikasi menggunakan metode Nayve Bayes.
, .
Tahapan terakhir adalah melakukan evaluasi terhadap hasil klasifikasi dari Nayve Bayes, evaluasi dilakukan dengan menggunakan confusion matrix.
, .
Perancangan sistem dilakukan sebagai acuan pada saat proses implementasi baik implementasi metode Nayve Bayes maupun implementasi pembuatan perangkat lunak.
Gambar 1 menjelaskan alur dari proses analisis sentimen menggunakan metode Nayve Bayes Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VI (No.
1 ) : 509 - 518.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Gambar 1 Flowchart Sentimen Nayve Bayes Berdasarkan alur sentimen untuk melakukan proses pengelompokkan menggunakan Nayve Bayes, hal pertama yang dilakukan adalah melakukan data scraping untuk mengumpulkan atau mengekstraksi informasi atau data semi-terstruktur dari website, yang menghasilkan data twitter mengenai kebijakan jaminan hari tua, lalu dilakukan proses preprocessing .
leansing, case folding, stopward, stemmin.
, kemudian data dibagi dua menjadi data testing, dan data training, setelah data dibagi dua maka dilakukanlah pengklasifikasian Nayve Bayes, diikuti dengan Confusion matrix yang digunakan untuk menghitung nilai accuracy dan error rate, dan menampilkan hasil analisis sentimen.
Use Case Diagram ditunjukkan pada gambar 2.
Terdapat dua aktor dalam penelitian ini yaitu admin dan juga server twiiter.
Aktor user dan twitter memiliki karakteristik interaksi saat mengelola sistem.
Adapun penjabarannya sebagai berikut:
Langkah pertama admin dapat melakukan terlebih dahulu login setelah itu memasukkan username dan password, kemudian setelah itu jika valid maka sistem dapat menampilkan halaman utama aplikasi.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VI (No.
1 ) : 509 - 518.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Kemudian admin dapat melakukan kelola user untuk mengelola data user sesuai dengan hak aksesnya masing Ae masing.
Setelah itu admin dapat menambahkan dataset yang akan digunakan untuk proses klasifikasi, dataset yang digunakan berasal dari data twitter.
Pada saat setelah penambahan dataset sistem akan otomatis melakukan pengolahan kata yaitu tahap preprocessing sebelum dilakukan Kemudian sistem secara otomatis melakukan perhitungan menggunakan Nayve Bayes, dan admin dapat melihat hasil analisis sentimennya.
Sedangkan server twitter, usecase untuk server twitter adalah data twiiter, data twitter ini juga dapat diakses oleh admin untuk kepentingan sistem yang akan dibuat.
Gambar 2.
Use Case Diagram
HASIL DAN PEMBAHASAN
Adapun hasil implementasi sistem pada penelitian ini sebagai berikut:
Halaman Login Halaman login merupakan halaman yang digunakan untuk masuk ke dalam sistem.
Pada halaman ini pengguna pertama kali sebelum melakukan proses login ke dalam sistem terlebih dahulu menginputkan username dan password.
Berikut tampilan halaman login dapat dilihat pada Gambar 3.
Halaman Dashboard Halaman dashboard merupakan menu tampilan utama ketika pengguna pertama kali masuk kedalam sistem.
Pada halaman dashboard terdapat beberapa menu yang dapat digunakan oleh Adapun tampilan halaman dashboard dapat dilihat pada Gambar 4.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VI (No.
1 ) : 509 - 518.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Gambar 3.
Halaman Login Gambar 4.
Halaman Dashboard Halaman User Halaman user merupakan halaman yang dapat digunakan olah admin untuk mengelola data Adapun tampilan halaman user dapat dilihat pada Gambar 5 Gambar 5.
Halaman User Halaman Dataset Halaman dataset menampilkan halaman yang dapat digunakan oleh pengguna untuk melakukan kelola dataset.
Adapun tampilan halaman dataset dapat dilihat pada Gambar 6 Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VI (No.
1 ) : 509 - 518.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Gambar 6.
Halaman Dataset Pada halaman dataset terdapat icon tambah dataset.
Icon ini berfungsi untuk menampilkan form yang digunakan untuk mengupload dataset.
Berikut tampilan form tambah dataset dapat dilihat pada Gambar 7 Gambar 7 Tambah Dataset Halaman Nayve Bayes Halaman Nayve Bayes berfungsi untuk menampilkan perhitungan sentimen dari dataset yang Pada halaman ini terdapat beberapa tampilan seperti data training dan data testing.
Adapun tampilan halaman pembagian data training dan testing dapat dilihat pada Gambar 8 dan Gambar 9.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VI (No.
1 ) : 509 - 518.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Gambar 8 Tampilan Data Training Gambar 9 Tampilan Data Testing Gambar 10 Hasil Nayve Bayes Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VI (No.
1 ) : 509 - 518.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Pada halaman ini, terdapat tampilan hasil klasifikasi dari perhitungan menggunakan Nayve Bayes.
Adapun tampilan halaman perhitungan Nayve Bayes dapat dilihat pada Gambar 10 Hasil dan pembahasan didukung dengan data dan menggunakan uji dan indikator yang umum digunakan di bidang keilmuan masing-masing.
Pada dalam pembahasan dikemukakan keterkaitan antara hasil penelitian dengan teori, tujuan penelitian dan pembandingan dengan penelitian lain yang telah dipublikasikan.
Pembahasan juga menjelaskan implikasi/kontribusi temuan bagi ilmu pengetahuan.
Hasil dan pembahasan diungkapkan secara jelas dan lugas menggunakan kalimat sederhana.
Hasil dapat ditampilkan dalam grafik ataupun tabel.
Hasil klasifikasi Nayve Bayes dilakukan pengujian dengan jumlah data test yang digunakan berbeda yaitu data test 30%, data test 20% dan data test 10%.
Hal ini dilakukan untuk mengetahui apakah jumlah data test akan mempengaruhi akurasi yang di dapatkan Tabel 1.
Hasil Uji
Data Test 30% Data test 20% Data Test 10% Akurasi
88,94%
90,95%
91,46%
Precission 96,88% 97,96% 97,08% Recall 90,86% 92,05% 93,26% Error rate
10,06%
8,63%
7,23%
F-Measure 93,77% 94,92% 95,13% Berdasarkan dari tabel 1 dapat dilihat bahwa penggunaan jumlah data test mempengaruhi nilai akurasi yang didapatkan.
Semakin banyak jumlah data test yang digunakan maka semakin rendah tingkat akurasi yang didapatkan, hal ini disebabkan oleh adanya ketidakcocokan data test dengan data train yang ada dalam sistem.
Semakin banyak data test yang memiliki kecocokan dengan data train maka tingkat akurasinya akan semakin tinggi.
SIMPULAN
Simpulan Berdasarkan perancangan, hasil implementasi dan pengujian yang dilakukan pada penelitian ini, maka dapat disimpulkan sebagai berikut:
Aplikasi analisis sentimen kebijakan Jaminan Hari Tua (JHT) pada twitter berhasil dibuat menggunakan bahasa pemrograman python dan MySQL sebagai databasenya.
Metode Nayve Bayes berhasil diimplementasikan pada analisis sentiment terkait dengan kebijakan Jaminan Hari Tua (JHT) dimana metode ini menerima input dari dataset yang diperoleh dari twitter menggunakan metode web scraping, lalu data tersebut melalui tahapan Data hasil dari preprocessing dibagi menjadi data training dan data testing, setelah itu data kemudian dianalisis menggunakan metode nayve bayes sehingga menghasilkan klasifikasi sentimen positif dan negatif.
Kemudian data yang diperoleh dari hasil metode nayve bayes dihitung kembali menggunakan perhitungan confusion matrix, dilakukan tiga kali Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VI (No.
1 ) : 509 - 518.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 pengujian menggunakan jumlah data test yang berbeda, hasil akurasi terbaik di dapatkan menggunakan jumlah data test 10% yaitu nilai akurasi 91,46%.
Saran Adapun saran yang diberikan untuk melakukan tahapan pengembangan selanjutnya adalah sistem dapat dikembangkan dengan menerapkan metode lain kemudian dihitung nilai akurasi sebagai perbandingan metode mana yang lebih baik dalam melakukan analisis sentimen.
DAFTAR PUSTAKA