Metode Hybrid Menggunakan Pendekatan Lexicon Based dan Naive Bayes Classifier Untuk Analisis Sentimen Terkait Jaminan Hari Tua

Rizky Fauzi Akbar; Muhammad  Habibi; Puji Winar Cahyo; Nafisa Alfi Sa'diya

doi:10.30989/teknomatika.v16i2.1247

Rizky Fauzi Akbar Universitas Jenderal Achmad Yani Yogyakarta
Muhammad Habibi Universitas Jenderal Achmad Yani Yogyakarta
Puji Winar Cahyo Universitas Jenderal Achmad Yani Yogyakarta
Nafisa Alfi Sa'diya Universitas Jenderal Achmad Yani Yogyakarta

DOI: https://doi.org/10.30989/teknomatika.v16i2.1247

Abstract

Badan Penyelenggara Jaminan Sosial (BPJS) Ketenagakerjaan adalah badan aturan publik yang dibuat melalui Undang-Undang No 24 Tahun 2011 Tentang Badan Penyelenggaran Jaminan Sosial menggunakan tujuan untuk mewujudkan terselenggaranya pemberian jaminan terpenuhinya kebutuhan dasar yang layak bagi setiap peserta atau anggota keluarganya. Dalam pelaksanaannya terdapat informasi yang tersebar khususnya pada tweet di Twitter mengenai keputusan Kementrian Kesehatan yaitu mengenai Jaminan Hari Tua (JHT) yang hanya bisa dicairkan/diambil setelah peserta (BPJS) Ketenagakerjaan menginjak usia 56 tahun, menyebabkan adanya pro dan kontra yang ada dikalangan masyarakat. Berdasarkan tweet-tweet pada Twitter yang belum dianalisis maka perlu di analisis secara mendalam untuk mendapatkan informasi yang sesuai berdasarkan opini netizen. Berdasarkan hasil penelitian ini diperoleh nilai akurasi data testing sebesar 92% untuk metode Lexicon Based dan 95% untuk data testing pada metode Naïve Bayes Classifier lalu untuk data training Naïve Bayes Classifier mendapatkan akurasi 82%. Penelitian ini mendapatkan kesimpulan bahwa jaminan hari tua (JHT) pada (BPJS) Ketenagakerjaan mendapat sentimen negatif dari netizen yang banyak membahas mengenai penolakan peraturan baru dimana jaminan hari tua (JHT) pada (BPJS) Ketenagakerjaan, hanya bisa dicairkan atau diambil ketika peserta BPJS Ketenagakerjaan menginjak usia 56 tahun.

References

[1] M. Yunus, M. Husni, and M. M. Mufadhdhal, “Klasifikasi Sentimen Terhadap Badan Penyelenggara Jaminan Sosial (BPJS) Pada Media Sosial Twitter Menggunakan Naive Bayes,” Smatika J., vol. 11, no. 02, pp. 81–91, 2021, doi: 10.32664/smatika.v11i02.577.
[2] B. Gunawan, H. S. Pratiwi, and E. E. Pratama, “Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes,” J. Edukasi dan Penelit. Inform., vol. 4, no. 2, p. 113, Dec. 2018, doi: 10.26418/jp.v4i2.27526.
[3] H. Annur, “Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes,” Ilk. J. Ilm., vol. 10, no. 2, pp. 160–165, Aug. 2018, doi: 10.33096/ilkom.v10i2.303.160-165.
[4] D. A. Wulandari, R. Rohmat Saedudin, and R. Andreswari, “Analisis Sentimen Media Sosial Twitter Terhadap Reaksi Masyarakat pada RUU Cipta Kerja Menggunakan Metode Klasifikasi Algoritma Naive Bayes,” J. e-Proceeding Eng., vol. 8, no. 5, pp. 9007–9016, 2021.
[5] A. R. Kardian and D. Gustiana, “Analisis Sentimen Berdasarkan Opini Pengguna pada Media Twitter Terhadap BPJS Menggunakan Metode Lexicon Based dan Naïve Bayes Classifier,” J. Ilm. Komputasi, vol. 20, no. 1, Mar. 2021, doi: 10.32409/jikstik.20.1.401.
[6] H. Sutrisno, “Pengaruh Bpjs Ketenagakerjaan Dalam Meningkatkan Kesejahteraan Tenaga Kerja,” PREPOTIF J. Kesehat. Masy., vol. 4, no. 1, pp. 78–84, Apr. 2020, doi: 10.31004/prepotif.v4i1.670.
[7] M. M. Mala Olhang, S. Achmadi, and F. . A. Wibisono, “Analisis Sentimen Pengguna Twitter Terhadap Covid-19 Di Indonesia Menggunakan Metode Naive Bayes Classifier (NBC),” JATI (Jurnal Mhs. Tek. Inform., vol. 4, no. 2, pp. 214–221, Dec. 2020, doi: 10.36040/jati.v4i2.2695.
[8] C. Prianto and N. I. Hamka, “Sentimen Analisis Terhadap Pembelajaran Jarak Jauh Menggunakan Metode Naïve Bayes Classifier dan Lexicon Based,” J. Ilmu Komput., vol. 14, no. 2, p. 79, Sep. 2021, doi: 10.24843/JIK.2021.v14.i02.p02.
[9] D. Winarso, Yanda Noor Yudha, and Syahril, “Analisis Sentimen Masyarakat Pada Twiter Terhadap Isu Covid-19 Menggunakan Metode Lexicon Based,” J. FASILKOM, vol. 11, no. 2, pp. 97–103, Aug. 2021, doi: 10.37859/jf.v11i2.2772.
[10] D. F. Ningtyas and N. Setiyawati, “Implementasi Flask Framework pada Pembangunan Aplikasi Purchasing Approval Request,” J. Janitra Inform. dan Sist. Inf., vol. 1, no. 1, pp. 19–34, Apr. 2021, doi: 10.25008/janitra.v1i1.120.
[11] R. K. Ngantung and M. A. I. Pakereng, “Model Pengembangan Sistem Informasi Akademik Berbasis User Centered Design Menerapkan Framework Flask Python,” J. MEDIA Inform. BUDIDARMA, vol. 5, no. 3, p. 1052, Jul. 2021, doi: 10.30865/mib.v5i3.3054.
[12] Muljono, D. P. Artanti, A. Syukur, A. Prihandono, and D. R. M. Setiadi, “Analisa Sentimen Untuk Penilaian Pelayanan Situs Belanja Online Menggunakan Algoritma Naïve Bayes,” Konf. Nas. Sist. Inf., vol. 4, pp. 165–170, 2018.
[13] G. N. Aulia and E. Patriya, “Implementasi Lexicon Based dan Naive Bayes Pada Analisis Sentimen Pengguna Twitter Topik Pemilihan Presiden 2019,” J. Ilm. Inform. Komput., vol. 24, no. 2, pp. 140–153, Aug. 2019, doi: 10.35760/ik.2019.v24i2.2369.