Analisis Sentimen Publik Tagar #IndonesiaGelap atas Kebijakan APBN 2025 Menggunakan Naïve Bayes-Word2Vec Twitter

Malindo Octavian; Muhamad  Akbar; Davit  Irawan

doi:10.53842/juki.v8i1.2300

Authors

Malindo Octavian Universitas Bina Insan
Muhamad Akbar Universitas Bina Insan
Davit Irawan Universitas Bina Insan

DOI:

https://doi.org/10.53842/juki.v8i1.2300

Keywords:

Analisis Sentimen, APBN 2025, Naïve Bayes, Word2Vec, Twitter

Abstract

Persepsi publik terhadap kebijakan fiskal pemerintah menjadi isu penting di era digital, terutama dengan meningkatnya penggunaan media sosial sebagai sarana penyampaian opini. Munculnya tagar #IndonesiaGelap mencerminkan respons masyarakat terhadap kebijakan Anggaran Pendapatan dan Belanja Negara (APBN) tahun 2025 di Indonesia. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap isu tersebut dengan memanfaatkan data dari Twitter berbahasa Indonesia. Penelitian ini menggunakan pendekatan kuantitatif melalui analisis sentimen berbasis machine learning. Sebanyak 1.000 data tweet dikumpulkan dan diproses melalui tahapan preprocessing, meliputi cleaning, tokenizing, dan normalisasi teks. Ekstraksi fitur dilakukan menggunakan metode Word2Vec, sedangkan proses klasifikasi menggunakan algoritma Multinomial Naïve Bayes. Hasil penelitian menunjukkan bahwa model memperoleh akurasi sebesar 56,7% dengan distribusi sentimen yang didominasi oleh kelas netral. Hal ini menunjukkan bahwa sebagian besar opini publik bersifat informatif dan tidak secara eksplisit mengandung sentimen positif atau negatif. Namun, model masih memiliki keterbatasan dalam mengklasifikasikan sentimen minoritas akibat ketidakseimbangan data. Penelitian ini berkontribusi dalam penerapan metode machine learning untuk menganalisis persepsi publik terhadap kebijakan fiskal serta memberikan gambaran empiris mengenai respons masyarakat berbasis data media sosial, sekaligus menekankan pentingnya peningkatan kualitas data dan optimasi model untuk hasil yang lebih akurat.

Downloads

Download data is not yet available.

References

M. R. Fadli, “Memahami desain metode penelitian kualitatif,” Humanika, vol. 21, no. 1, hal. 33–54, 2021, doi: 10.21831/hum.v21i1.38075.

R. Safitri, N. Alfira, D. Tamitiadini, W. W. A. Dewi, dan N. Febriani, Analisis Sentimen: Metode Alternatif Penelitian Big Data. Google Books, 2021.

S. Mufidah dan A. Haliq, “Critical discourse analysis of the ‘Indonesia Gelap’ issue on the Meet Nite Live TikTok account: Dissecting political narratives in the social media era,” TOFEDU Futur. Educ. J., vol. 4, no. 5, hal. 1114–1125, 2025.

F. Adelia, R. Y. Purwoko, dan P. Nugraheni, “Penerapan Pembelajaran Berdiferensiasi untuk Meningkatkan Kemampuan Numerasi Peserta Didik Kelas X SMK,” J. Pendidik. Integr., vol. 5, no. 3, 2024.

V. Agustina dan A. Herliana, “Analisis sentimen publik atas kebijakan efisiensi anggaran 2025 dengan text mining dan natural language processing,” J. Media Inform., vol. 6, no. 3, hal. 2182–2194, 2025.

H. Irawan dan M. A. Maghriby, “Analisis persepsi publik mengenai resesi ekonomi global 2023 sektor bisnis di media sosial Twitter menggunakan algoritma Naïve Bayes,” Widya Cipta J. Sekr. dan Manaj., vol. 7, no. 2, hal. 123–130, 2023.

B. Darmawan, A. D. Laksito, M. Resa, A. Yudianto, dan A. Sidauruk, “Analisis perbandingan ekstraksi fitur teks pada sentimen analisis kenaikan harga BBM,” Krea-TIF J. Tek. Inform., vol. 11, no. 1, hal. 53–63, 2023, doi: 10.32832/krea-tif.v11i1.13819.

A. Syahri, F. Rahman, D. Putra, dan A. Nugroho, “Analisis sentimen di media sosial X menggunakan algoritma Naïve Bayes,” J. Teknol. Inf., vol. 9, no. 4, hal. 5917–5922, 2025.

F. R. Mumtaz, A. Hidayat, B. Prasetyo, dan D. Kurniawan, “Analisis sentimen publik Twitter terhadap kebijakan pemerintah menggunakan metode SVM (studi kasus: program efisiensi anggaran),” J. Inform., vol. 9, no. 4, hal. 5852–5859, 2025.

B. Liu, Sentiment analysis and opinion mining. Morgan & Claypool Publishers, 2012.

C. D. Manning, P. Raghavan, dan H. Schutze, Introduction to information retrieval. Cambridge University Press, 2008.

D. Jurafsky dan J. H. Martin, Speech and language processing. Pearson, 2023.

T. Mikolov, K. Chen, G. Corrado, dan J. Dean, “Efficient estimation of word representations in vector space,” arXiv Prepr., 2013.

R. L. Atimi dan N. I. Pradasari, “Model penilaian perangkat lunak e-government untuk rekomendasi pemeliharaan,” J. Edukasi dan Penelit. Inform., vol. 6, no. 2, hal. 137–145, 2020, doi: 10.26418/jp.v6i2.37986.

T. Ridwansyah, “Implementasi text mining terhadap analisis sentimen masyarakat dunia di Twitter terhadap Kota Medan menggunakan K-Fold cross validation dan Naïve Bayes classifier,” J. Inform., vol. 2, no. 5, hal. 178–185, 2022.

E. Herdika, S. Aulia, E. Daniati, dan M. Najibulloh, “Perbandingan algoritma machine learning dalam analisis sentimen isu gempa megathrust,” J. Data Sci. Indones., vol. 4, no. 2, hal. 117–127, 2025.

R. Ferdinand, P. Pratama, dan W. Maharani, “Comparative analysis of Naive Bayes and SVM for improved emotion classification on social media,” Edumatic J. Pendidik. Inform., vol. 9, no. 1, hal. 11–20, 2025, doi: 10.29408/edumatic.v9i1.29087.

S. Karnila, H. Kurniawan, D. A. Muktiawan, Y. Septiawan, dan E. Safitri, “Pengenalan sains data untuk meningkatkan literasi data dan kesiapan karier digital siswa sekolah,” J. Pengabdi. Pendidik., vol. 9, no. 4, hal. 1–8, 2025.

B. R. Silvana, “Penerapan metode pemrograman berorientasi objek pada bahasa pemrograman Python dalam merancang aplikasi praktik mandiri bidan,” 2025, doi: 10.13140/RG.2.2.17224.64000.

M. Ismail, N. Hassan, dan S. S. Bafjaish, “Comparative analysis of Naive Bayesian techniques in health-related classification tasks,” Int. J. Adv. Comput. Sci., vol. 2, hal. 1–10, 2020.

R. F. Pramesti, A. A. Firdaus, K. Yulita, dan M. Thoyyibah, “Analisis Efisiensi APBN Era Prabowo: Kajian Ekonomi dan Analisis Sentimen Publik,” Jesya (Jurnal Ekon. dan Ekon. Syariah), vol. 8, no. 2, hal. 1147–1161, 2025, doi: 10.36778/jesya.v8i2.

A. Clairine, E. I. D. Lestari, dan E. N. Wiyono, “Ekspresi Keresahan Pemuda melalui Media Sosial: Studi Kritik terhadap Narasi Indonesia Gelap,” Moderasi J. Stud. Ilmu Pengetah. Sos., vol. 6, no. 1, hal. 36–51, 2025.

G. I. A. Sabda dan A. Fahrudin, “Analisis Sentimen pada Komentar Video YouTube KOMPASTV Terhadap Aksi Mahasiswa Menolak Pemangkasan Anggaran Pendidikan,” J. Ilmu Komun. dan Bisnis, vol. 10, no. 2, hal. 197–213, 2025.

C. Juditha dan J. J. Darmawan, “Program Makan Bergizi Gratis: Framing Pemberitaan di Portal Berita dan Sentimen Netizen di Media Sosial,” J. Stud. Komun. dan Media, vol. 29, no. 2, hal. 165–180, 2025, doi: 10.31445/jskm.v29i2.

N. A. Aban dan C. I. Ratnasari, “Pemodelan Topik Cuitan tentang Danantara Menggunakan BERTopic Teroptimasi UMAP dan HDBSCAN,” Rabit J. Teknol. dan Sist. Inf. Univrab, vol. 11, no. 1, hal. 1160–1174, 2026.