Analisis Sentimen Kebijakan Pembelian Gas 3 Kg dengan KTP Menggunakan Naïve Bayes
Abstract
The government introduced a policy on January 1 2024 regarding the purchase of 3 KG LPG which requires user registration using a Resident Identity Card (KTP), where residents are required to show their KTP and family card (KK) to register via the merchant application at the gas station. This raises problems regarding the availability, distribution of gas, and precisely the recipients of subsidies. The public responds whether they accept or not according to the policy on one of YouTube's social media. The Naïve Bayes algorithm is used to analyze public sentiment regarding the policy of purchasing 3 KG LPG using KTP, data obtained from social media YouTube with crawling techniques using Google Colab, with a collection period of April 2023 to January 2024. Analysis stages include text preprocessing, TF-IDF, labeling uses the Tex Blob library, and algorithm calculations use Naïve Bayes. Visualization in the form of a word cloud with terms that often appear. Classification reports are used to evaluate algorithms with Naive Bayes algorithm accuracy of 84%, precision of 85%, recall of 84%, and f1-score of 83%.
Keywords: Resident Identity Card; Policy; LPG 3 Kg; Naïve Bayes; Sentiment.
Abstrak
Pemerintah memperkenalkan kebijakan pada tanggal 1 Januari 2024 terkait pembelian LPG 3 KG yang memerlukan pendaftaran pengguna memakai Kartu Tanda Penduduk (KTP), dimana warga wajib menunjukkan KTP serta Kartu keluarga (KK) untuk mendaftar melalui aplikasi merchant pada pangkalan gas. Hal ini menimbulkan permasalahan ketersediaan, distribusi gas, dan tepatnya pemenerima subsidi, Masyarakat memberikan resposn menerima atau tidak dengan kebijakan pada salah satu media sosial youtube. Algoritma Naïve Bayes dipergunakan untuk menganalisis sentimen masyarakat terkait kebijakan pembelian LPG 3 KG dengan menggunakan KTP, data diperoleh dari media sosial Youtube dengan teknik crawling menggunakan Google Colab, dengan periode pengumpulan April 2023 hingga Januari 2024. Tahapan analisis meliputi text preprocessing, TF-IDF, pelabelan menggunakan library Tex Blob, dan perhitungan algoritma menggunakan Naïve Bayes. Visualisasi berupa word cloud dengan istilah-istilah yang seringkali muncul. Classification report digunakan untuk mengevaluasi algoritma dengan akurasi algoritma Naive Bayes sebesar 84%, presisi 85%, recall 84%, dan f1-score 83%.
Keywords
References
L. T. Tysara, “Alasan Beli Gas LPG 3 Kg Wajib Pakai KTP Mulai 1 Januari 2024, Simak Cara Belinya,” liputan6.com, 2024. https://www.liputan6.com/hot/read/5494923/alasan-beli-gas-lpg-3-kg-wajib-pakai-ktp-mulai-1-januari-2024-simak-cara-belinya (accessed Jan. 05, 2024).
V. K. Ningsih and S. Syalikha, “Implementasi Subsidi Listrik untuk Mendorong Pencapaian SDGs Tujuan 7,” J. Econ. Assets, Eval., vol. 1, no. 4, pp. 1–12, 2024.
T. Nurdiana, “Catat Ini: Pembelian Gas Melon Subsidi Dibatasi Mulai 1 januari 2024,” insight.kontan, 2023. https://insight.kontan.co.id/news/catat-ini-pembelian-gas-melon-subsi di-dibatasi-mulai-1-januari-2024 (accessed Jan. 10, 2024).
S. Alim and A. F. Dharma, “Youtube Sebagai Ruang Publik Alternatif Bagi Anak Muda,” J. Ilmu Komunikasi, vol. 4, no. 1, pp. 1–13, 2021.
F. V. Sari, “Analisis Sentimen Pelanggan Toko Online JD . ID Menggunakan Metode Naïve Bayes Classifier Berbasis Konversi Ikon Emosi,” J. SIMETRIS, vol. 10, no. 2, pp. 681–686, 2019.
H. D. Prasetyo, T. Pramiyati, and I. N. Isnainiyah, “Sentimen Analisis Pengguna Twitter Terhadap Kebijakan Merdeka Belajar Menggunakan Algoritma Naive Bayes,” SENAMIKA, no. April, pp. 559–568, 2021.
W. P. Anggraini and M. S. Utami, “Klasifikasi Sentimen Masyarakat Terhadap Kebijakan Kartu Pekerja Di Indonesia,” Fakt. Exacta, vol. 13, no. 4, p. 255, 2021, doi: 10.30998/faktor exacta.v13i4.7964.
R. Hidayat, R. Nur Rahman, M. Reifin Perdana, and Arbansyah, “Analisis Sentimen Aplikasi Identitas Kependudukan Digital (IKD) Menggunakan Metode Naïve Bayes,” J. Sist. Inf. dan Ilmu Komput., vol. 2, no. 1, pp. 129–140, 2024, [Online]. Available: https://doi.org /10.59581/jusiik-widyakarya.v2i1.2320
K. A. Lubis and A. Yudertha, “Analisis Sentimen Opini Masyarakat Terhadap Pindahnya Ibu Kota Indonesia Dengan Menggunakan Klasifikasi Naïve Bayes,” TEKNOINFO, vol. 18, pp. 226–238, 2024.
N. Susanti, E. Ronando, N. A. Basyarach, D. Harini, Sulistyawati, and W. Widiasih, “Analysis of the effect of the MBKM Internship Program and Certified Independent Study (MSIB) on university performance Universitas 17 Agustus 1945 Surabaya,” Tech. Soc. Sci. J., vol. 6, no. December, pp. 101–105, 2020.
B. Hakim, “Analisa Sentimen Data Text Preprocessing Pada Data Mining Dengan Menggunakan Machine Learning Data Text Pre-Processing Sentiment Analysis In Data Mining Using Machine Learning School of Computer Science and Technology , Harbin Institute of Technology,” vol. 4, no. 2, pp. 16–22, 2021.
I. Ahmad, S. Samsugi, and Y. Irawan, “Implementasi Data Mining Sebagai Pengolahan Data,” J. Teknoinfo, vol. 16, no. 1, p. 46, 2022, [Online]. Available: http://portaldata.org/ index.php/portaldata/article/view/107
I. Gunawan, “Implementasi Algoritma Sentencepiece untuk Meningkatkan Performa Naive Bayes Classifier pada Klasifikasi Artikel Berita,” J. Tek. Inform., pp. 20–26, 2023, [Online]. Available: https://kc.umn.ac.id/id/eprint/16831
M. U. Albab, Y. Karuniawati, and M. N. Fawaiq, “Optimization of the Stemming Technique on Text preprocessing President 3 Periods Topic,” J. Transform., vol. 20, no. 2, pp. 1–10, 2023, [Online]. Available: https://journals.usm.ac.id/index.php/transformatika/■page1
M. Faiq, A. Putro, and E. B. Setiawan, “Analisis Sentimen Terhadap Kebijakan Pemerintah dengan Feature Expansion Metode GloVe pada Media sosial Twitter,” e-Proceeding Eng., vol. 9, no. 1, pp. 54–66, 2022.
R. Nurhidayat and K. E. Dewi, “Penerapan Algoritma K-Nearest Neighbor Dan Fitur Ekstraksi N-Gram Dalam Analisis Sentimen Berbasis Aspek,” Komputa J. Ilm. Komput. dan Inform., vol. 12, no. 1, pp. 91–100, 2023, doi: 10.34010/komputa.v12i1.9458.
Friska Aditia Indriyani, Ahmad Fauzi, and Sutan Faisal, “Analisis sentimen aplikasi tiktok menggunakan algoritma naïve bayes dan support vector machine,” TEKNOSAINS J. Sains, Teknol. dan Inform., vol. 10, no. 2, pp. 176–184, 2023, doi: 10.37373/tekno. v10i2.419.
R. Adyatma Subagja, Y. Widiastiwi, and N. Chamidah, “Klasifikasi Ulasan Aplikasi Jenius pada Google Play Store Menggunakan Algoritma Naive Bayes,” Inform. J. Ilmu Komput., vol. 17, no. 3, p. 197, 2021, doi: 10.52958/iftk.v17i3.3652.
R. Parlika, S. I. Pradika, A. M. Hakim, and K. R. N M, “Analisis Sentimen Twitter Terhadap Bitcoin Dan Cryptocurrency Berbasis Python Textblob,” J. Ilm. Teknol. Inf. dan Robot., vol. 2, no. 2, pp. 33–37, 2020, doi: 10.33005/jifti.v2i2.22.
R. Wati, S. Ernawati, and H. Rachmi, “Pembobotan TF-IDF Menggunakan Naïve Bayes pada Sentimen Masyarakat Mengenai Isu Kenaikan BIPIH,” J. Manaj. Inform., vol. 13, no. 1, pp. 84–93, 2023, doi: 10.34010/jamika.v13i1.9424.
A. Ryansyah and S. Andayani, “Implementasi Algoritma TF-IDF PadaPengukuran Kesamaan Dokumen,” J. Sist. Teknol. Inf. Komun., vol. 1, no. 1, pp. 58–62, 2022, [Online]. Available: http://pdfbox.apache.org/
A. M. Siregar, S. Faisal, and B. Widiharto, “Analisis Sentimen Masyarakat Terhadap Universitas Buana Perjuangan Karawang Dengan Algoritme SVM dan Naive Bayes,” Pros. Konf. Nas. Penelit. Dan Pengabdi. Univ. Buana Perjuangan Karawang, vol. 3, no. 1, pp. 25–36, 2023, [Online]. Available: https://journal.ubpkarawang.ac.id/index/php/Prosiding KNPP/article/view/4894
R. Al Ghivary, N. Wulandari, N. Srikandi, D. A. Publik, and U. M. Jakarta, “Peran Visualisasi Data Untuk Menunjang Analisa Data The Role Of Data Visualisation To Support Population,” J. Adm. Publik, vol. 1, no. 1, pp. 57–62, 2023.
M. Hidayatullah et al., “Sentiment Analysis of Police Performance On Twitter Users Using Naïve Bayes Method,” RISTEC Res. Inf. Syst. Technol., vol. 2, no. 2, pp. 29–40, 2021, doi: 10.31980/ristec.v2i2.1945.
How To Cite This :
Refbacks
- There are currently no refbacks.
