ANALISIS SENTIMEN PADA MEDIA SOSIAL TWITTER TERHADAP PELAYANAN DINAS KEPENDUDUKAN DAN PENCATATAN SIPIL MENGGUNAKAN ALGORITMA NAÏVE BAYES

  • Emil Salim Fakultas Teknologi Informasi, Universitas Budi Luhur , Jakarta, Indonesia
  • Achmad Solichin Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Budi Luhur
Keywords: Analisis Sentimen, Media Sosial, Twitter, Layanan Kependudukan, Disdukcapil, Naive Bayes

Abstract

Dinas Kependudukan dan Pencatatan Sipil (Disdukcapil) memiliki tugas utama dalam memberikan layanan kependudukan dan pencatatan sipil bagi masyarakat. Saat ini, di kalangan masyarakat masih sering memiliki stigma kurang baik terhadap proses pengurusan dokumen kependudukan yang terkesan lama, rumit dan sering terjadi pungutan liar oleh pihak-pihak tertentu. Pada penelitian ini dilakukan analisis sentimen masyarakat terhadap layanan Disdukcapil pada media sosial Twitter. Analisis sentimen diperoleh menggunakan pendekatan machine learning disertai dengan ekstraksi fitur menggunakan TF-IDF dan algoritma Naïve Bayes. Dataset yang digunakan pada penelitian ini diperoleh dari media sosial Twitter berupa kicauan (tweet) berbahasa Indonesia. Dataset diperoleh menggunakan kata kunci ‘dukcapil’, ‘kependudukan’, ‘disdukcapil’, ‘ngurus ktp’, ‘pembuatan ktp’, ‘pengalaman ktp’, ‘pelayanan disdukcapil’, ‘ngurus kk’, ‘pelayanan ktp’, ‘ktp rusak’, ‘dokumen kependudukan’, ‘ngurus disdukcapil’, ‘bikin kartu keluarga’, ‘pelayanan dukcapil’, ‘bikin akta lahir’, ‘buat akta lahir’, dan ‘disdukcapil ramah’. Hasil analisis berdasarkan 647 tweet menunjukan bahwa sentimen positif sebesar 70,20% dan sentimen negatif sebanyak 29,80%, dengan nilai akurasi 65,39% presisi 97,65%, recall 66,87%, dan f1-score sebesar 39,69%. Hasil penelitian ini bermanfaat bagi Disdukcapil untuk meningkatkan kualitas layanannya sehingga sentimen masyarakat semakin baik.

-----------------------------------------

The Department of Population and Civil Registration (Disdukcapil) has the main task of providing population and civil registration services for the community. Currently, the community still often has a bad stigma about the process of managing population documents which seems long, complicated and often illegal levies occur by certain parties. In this study, an analysis of public sentiment towards the Disdukcapil service was carried out on Twitter social media. Sentiment analysis was obtained using a machine learning approach accompanied by feature extraction using TF-IDF and the Naïve Bayes algorithm. The dataset used in this study was obtained from Twitter social media in the form of Indonesian-language tweets. The dataset was obtained using the keywords 'dukcapil', 'population', 'disdukcapil', 'ngurus ktp', 'ktp making', 'ktp experience', 'disdukcapil service', 'take care of family card', 'ktp service', 'broken ID card', 'residency document', 'manage disdukcapil', 'make a family card', 'dukcapil service', 'make a birth certificate', 'make a certificate born', and 'friendly disdukcapil'. The results of the analysis based on 647 Tweets show that positive sentiment is 70.20% and negative sentiment is 29.80%, with an accuracy value of 65.39%, precision of 97.65%, recall of 66.87, and f1-score of 39.69%. The results of this study are useful for Disdukcapil to improve the quality of its services so that public sentiment is getting better.

Downloads

Download data is not yet available.

References

[1] B. K. Disdukcapil, “Profil Disdukcapil Bantul,” 2021.
[2] D. Setian and I. Seprina, “Analisis Sentimen Masyarakat Terhadap Data Tweet Lazada Menggunakan Text Mining Dan Algoritma Naive Bayes,” Bina Darma Conf. Comput. Sci., pp. 998–1004, 2019.
[3] Hardi, N. Alkahfi, Y. Handayani, P. Gata, W. Firdaus, and M. Rifqi, “Analisis Sentimen Physical Distancing pada Twitter Menggunakan Text Mining dengan Algoritma Naive Bayes Classifier,” Sistemasi, vol. 10, no. 1, p. 131, 2021.
[4] Sunardi, A. Fadlil, and Suprianto, “Analisis Sentimen Menggunakan Metode Naïve Bayes Classifier Pada Angket Mahasiswa,” Saintekbu, vol. 10, no. 2, pp. 1–9, 2018.
[5] M. Priandi and Painem, “Analisis Sentimen Masyarakat Terhadap Pembelajaran Daring di Era Pandemi Covid-19 pada Media Sosial Twitter Menggunakan Ekstraksi Fitur Countvectorizer dan Algoritma K-Nearest Neighbor,” in Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA), 2021, no. September, pp. 311–319.
[6] M. Adriani, J. Asian, B. Nazief, S. M. M. Tahaghoghi, and H. E. Williams, “Stemming Indonesian: A Confix-Stripping Approach,” ACM Trans. Asian Lang. Inf. Process., vol. 6, no. 4, pp. 1–33, 2007.
[7] F. Z. Tala, “A Study of Stemming Effects on Information Retrieval in Bahasa Indonesia,” Universiteit van Amsterdam, 2003.
[8] N. K. Widyasanti, I. K. G. D. Putra, and N. K. D. Rusjayanthi, “Seleksi Fitur Bobot Kata dengan Metode TFIDF untuk Ringkasan Bahasa Indonesia,” Merpati, vol. 6, no. 2, pp. 119–126, 2018.
[9] N. Andriani and A. Wibowo, “Implementasi Text Mining Klasifikasi Topik Tugas Akhir Mahasiswa Teknik Informatika Menggunakan Pembobotan TF-IDF dan Metode Cosine Similarity Berbasis Web,” in Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA), 2021, pp. 130–137.
[10] W. Desena and A. Solichin, “Pencarian Abstrak Tugas Akhir Mahasiswa Berdasarkan Tingkat Kemiripan Menggunakan Algoritma Winnowing dan Jaccard Similarity pada Universitas Budi Luhur,” J. Inform., vol. 17, no. 2, pp. 112–122, 2021.
[11] S. Juanita, “Analisis Sentimen Persepsi Masyarakat Terhadap Pemilu 2019 Pada Media Sosial Twitter Menggunakan Naive Bayes,” J. Media Inform. Budidarma, vol. 4, no. 3, pp. 552–558, 2020.
[12] B. Gunawan, H. S. Pratiwi, and E. E. Pratama, “Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes,” JEPIN (Jurnal Edukasi dan Penelit. Inform., vol. 4, no. 2, pp. 113–118, 2018.
Published
2022-07-15
How to Cite
[1]
E. Salim and A. Solichin, “ANALISIS SENTIMEN PADA MEDIA SOSIAL TWITTER TERHADAP PELAYANAN DINAS KEPENDUDUKAN DAN PENCATATAN SIPIL MENGGUNAKAN ALGORITMA NAÏVE BAYES”, IDEALIS, vol. 5, no. 2, pp. 79-86, Jul. 2022.
Section
Table of Content