Penerapan Natural Language Processing Untuk Analisis Sentimen Terhadap Layanan Publik Di Media Sosial Twitter

Dhimas Tribuana; Usman Usman; Dayanti Dayanti

doi:10.64476/jtbc.v1i1.3

Penulis

Dhimas Tribuana Universitas Komputer Indonesia
Usman Usman Politeknik Negeri Bombana
Dayanti Dayanti Universitas Patria Artha

DOI:

https://doi.org/10.64476/jtbc.v1i1.3

Kata Kunci:

Sentimen publik, BPJS Ketenagakerjaan, IndoBERTweet, klasifikasi teks, media sosial

Abstrak

Penelitian ini bertujuan untuk mengembangkan dan menguji model klasifikasi sentimen publik terhadap layanan BPJS Ketenagakerjaan berdasarkan data media sosial Twitter. Metode yang digunakan adalah pendekatan kuantitatif eksperimental yang terdiri dari lima tahap, yaitu pengumpulan data, pra-pemrosesan teks, pelabelan data, ekstraksi fitur dan pelatihan model, serta evaluasi performa. Data dikumpulkan melalui API Twitter menggunakan kata kunci terkait layanan BPJS Ketenagakerjaan dengan total 4.357 tweet. Setelah pra-pemrosesan dan pelabelan, data bersih sebanyak 4.102 tweet diklasifikasikan ke dalam tiga kategori sentimen: positif, negatif, dan netral. Dua pendekatan representasi teks digunakan, yaitu TF-IDF dan IndoBERTweet embedding, yang kemudian diuji dengan algoritma pembelajaran mesin seperti Naive Bayes, SVM, Random Forest, dan Logistic Regression. Hasil penelitian menunjukkan bahwa model IndoBERTweet + Logistic Regression memberikan performa terbaik dengan akurasi 86,5% dan F1-score 85,6%. Temuan ini menegaskan efektivitas pretrained language models dalam memahami bahasa Indonesia informal di media sosial. Model yang dikembangkan memiliki potensi untuk digunakan sebagai sistem pemantauan opini publik secara real-time guna meningkatkan kualitas layanan BPJS Ketenagakerjaan. Penelitian selanjutnya disarankan mengeksplorasi penanganan sarkasme dan dataset multi-platform untuk meningkatkan generalisasi model.

Unduhan

Data unduhan belum tersedia.

Referensi

Adhiatma, F. D., & Qoiriah, A. (2022). Penerapan Metode TF-IDF dan Deep Neural Network untuk Analisa Sentimen pada Data Ulasan Hotel. Journal of Informatics and Computer Science (JINACS), 183–193. https://doi.org/10.26740/jinacs.v4n02.p183-193

Aji, A. F., Winata, G. I., Koto, F., Cahyawijaya, S., Romadhony, A., Mahendra, R., Kurniawan, K., Moeljadi, D., Prasojo, R. E., Baldwin, T., Lau, J. H., & Ruder, S. (2022). One Country, 700+ Languages: NLP Challenges for Underrepresented Languages and Dialects in Indonesia. https://arxiv.org/abs/2203.13357

Amandasari, F., & Damayanti, D. (2025). Perbandingan Kinerja Support Vector Machine dan Naive Bayes dalam Klasifikasi Sentimen Twitter Terhadap Pelayanan BPJS. Jurnal Pendidikan Dan Teknologi Indonesia, 5(3), 645–653. https://doi.org/10.52436/1.jpti.680

Anam, M. K., Mahendra, M. I., Agustin, W., Rahmaddeni, R., & Nurjayadi, N. (2022). Framework for Analyzing Netizen Opinions on BPJS Using Sentiment Analysis and Social Network Analysis (SNA). INTENSIF: Jurnal Ilmiah Penelitian Dan Penerapan Teknologi Sistem Informasi, 6(1), 11–28. https://doi.org/10.29407/intensif.v6i1.15870

Andrianti, S. (2018). SENTIMENT ANALYSIS ON TWITTER ACCOUNT USING NAIVE BAYES CLASSIFIER ALGORITHM Case Study: Indonesia Healthcare and Social Security Agency (BPJS Kesehatan). Journal of Information System, Applied, Management, Accounting and Research, 2(2), 23–28. https://journal.stmikjayakarta.ac.id/index.php/jisamar/article/view/33

Azhar, A. N., & Khodra, M. L. (2021). Fine-tuning Pretrained Multilingual BERT Model for Indonesian Aspect-based Sentiment Analysis. https://arxiv.org/abs/2103.03732

Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of the 2019 Conference of the North, 4171–4186. https://doi.org/10.18653/v1/N19-1423

Girsang, D. L., Alwi Sidiq, & Tahniah Salsabila Elenaputri. (2023). Analisis Sentimen Masyarakat terhadap Layanan BPJS Kesehatan dan Faktor-Faktor Pendukung Opini dengan Pemodelan Natural Language Processing (NLP). Emerging Statistics and Data Science Journal, 1(2), 238–249. https://doi.org/10.20885/esds.vol1.iss.2.art24

Hidayat, Muh. R. R., & Wenggi, I. R. (2022). PEMANFAATAN MEDIA SOSIAL DALAM RANGKA PENINGKATAN PELAYANAN PUBLIK. Jurnal Ilmiah Administrasi Pemerintahan Daerah, 14(2), 233–246. https://doi.org/10.33701/jiapd.v14i2.2741

Jurafsky, D., & Martin, J. H. (2023). Speech and Language Processing (3rd ed.). Pearson.

Kardian, A. R., & Gustiana, D. (2021). Analisis Sentimen Berdasarkan Opini Pengguna pada Media Twitter Terhadap BPJS Menggunakan Metode Lexicon Based dan Naïve Bayes Classifier : Array. Jurnal Ilmiah Komputasi, 20(1), 39–52. https://doi.org/10.32409/jikstik.20.1.401

Kemenko PMK. (2022). Transformasi Layanan BPJS Ketenagakerjaan. https://www.kemenkopmk.go.id/

Koto, F., Lau, J. H., & Baldwin, T. (2021). IndoBERTweet: A Pretrained Language Model for Indonesian Twitter with Effective Domain-Specific Vocabulary Initialization. https://arxiv.org/abs/2109.04607

Kurniawan, I., Hananto, A., Hilabi, S., Hananto, A., Priyatna, B., & Rahman, A. (2023). Perbandingan Algoritma Naive Bayes Dan SVM Dalam Sentimen Analisis Marketplace Pada Twitter. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 10(1), 731–740. https://doi.org/10.35957/jatisi.v10i1.3582

Landis, J. R., & Koch, G. G. (1977). The Measurement of Observer Agreement for Categorical Data. Biometrics, 33(1), 159. https://doi.org/10.2307/2529310

Lembaga Ilmu Pengetahuan Indonesia (LIPI). (2022). Survei Kepuasan Publik terhadap Program dan Pelayanan BPJS Ketenagakerjaan 2021.

Liu, B. (2012). Sentiment Analysis and Opinion Mining. Morgan & Claypool. https://books.google.co.id/books?id=Gt8g72e6MuEC

Madhoushi, Z., Hamdan, A. R., & Zainudin, S. (2015). Sentiment analysis techniques in recent works. 2015 Science and Information Conference (SAI), 288–291. https://doi.org/10.1109/SAI.2015.7237157

Maharani, K. F. D., & Mandira, I. M. C. (2022). Pengaruh Kualitas Pelayanan, Persepsi Kemudahan dan Keamanan Terhadap Kepuasan Peserta Dalam Menggunakan Jamsostek Mobile. Jurnal Ilmiah Manajemen Kesatuan, 10(3), 519–528. https://doi.org/10.37641/jimkes.v10i3.1538

Merdiansah, R., Siska, S., & Ali Ridha, A. (2024). Analisis Sentimen Pengguna X Indonesia Terkait Kendaraan Listrik Menggunakan IndoBERT. Jurnal Ilmu Komputer Dan Sistem Informasi (JIKOMSI), 7(1), 221–228. https://doi.org/10.55338/jikomsi.v7i1.2895

Mukti, A., Hadiyanti, A., Nurlaela, A., & Panjaitan, J. (2023). Sistem Analisa Sentiment Bakal Calon Presiden 2024 Menggunakan Metode NLP Berbasis Web. SOSCIED, 6(1), 128–140. https://doi.org/10.32531/jsoscied.v6i1.621

Nada, D. D., Soehardjoepri, S., & Atok, R. M. (2023). Perbandingan Analisis Sentimen Mengenai BPJS pada Media Sosial Twitter Menggunakan Naïve Bayes Classifier (NBC) dan Support Vector Machine (SVM). Jurnal Sains Dan Seni ITS, 11(6). https://doi.org/10.12962/j23373520.v11i6.96330

Naraswati, N. P. G., Nooraeni, R., Rosmilda, D. C., Desinta, D., Khairi, F., & Damaiyanti, R. (2021). Analisis Sentimen Publik dari Twitter Tentang Kebijakan Penanganan Covid-19 di Indonesia dengan Naive Bayes Classification. SISTEMASI, 10(1), 222. https://doi.org/10.32520/stmsi.v10i1.1179

Pak, A., & Paroubek, P. (2010). Twitter as a Corpus for Sentiment Analysis and Opinion Mining. In N. Calzolari, K. Choukri, B. Maegaard, J. Mariani, J. Odijk, S. Piperidis, M. Rosner, & D. Tapias (Eds.), Proceedings of the Seventh International Conference on Language Resources and Evaluation (LREC’10). European Language Resources Association (ELRA). https://aclanthology.org/L10-1263/

Rani, S., & Kumar, P. (2017). A Sentiment Analysis System to Improve Teaching and Learning. Computer, 50(5), 36–43. https://doi.org/10.1109/MC.2017.133

Rizky Fauzi Akbar, & Habibi, M. (2023). Sentiment Analysis Related National Social Security Agency for Employment in Indonesia: Hybrid Method Using Lexicon Based and Naive Bayes Classifier Approaches. INDONESIAN JOURNAL ON DATA SCIENCE, 1(1), 32–38. https://doi.org/10.30989/ijds.v1i1.896

Wilie, B., Vincentio, K., Winata, G. I., Cahyawijaya, S., Li, X., Lim, Z. Y., Soleman, S., Mahendra, R., Fung, P., Bahar, S., & Purwarianti, A. (2020). IndoNLU: Benchmark and Resources for Evaluating Indonesian Natural Language Understanding.