Penerapan Metode Naïve Bayes dalam Analisis Persepsi Masyarakat mengenai Rencana Pengesahan RUU Omnibus Law di Bidang Investasi dan Ketenagakerjaan Tahun 2020 di Indonesia

  • Najia Helmiah Politeknik Statistika STIS
    (ID)
  • Rani Nooraeni Politeknik Statistika STIS
    (ID)
  • Aldi Rochman Nulkarim Politeknik Statistika STIS
    (ID)
  • Nufaisa Munia Politeknik Statistika STIS
    (ID)
  • Amalia Susanti Politeknik Statistika STIS
    (ID)
  • Amran Pratama Putra Politeknik Statistika STIS
    (ID)
  • Febi Taufiqurrahman Politeknik Statistika STIS
    (ID)

Abstract

Saat ini, RUU Omnibus Law di Indonesia menjadi kontroversi, khususnya mengenai RUU Cipta Kerja karena dianggap memiliki dampak negative bagi pekerja/buruh. Hal tersebut terlihat dari banyaknya unjuk rasa yang dilakukan dalam rangka menolak RUU tersebut. Penyampaian pendapapat tidak hanya dilakukan melalui unjuk rasa, tetapi juga dapat melalui media social. Salah satunya adalah twitter. Sehingga, penelitian ini bertujuan untuk mengklasifikasikan opini masyarakat mengenai rencana pengesahan RUU Omnibus Law melalui data twitter. Analisis sentiment, asosiasi kata, dan metode Naïve Bayes Classifier diterapakan untuk mengetahui kata-kata yang sering dicuitkan mengenai Omnibus Law dan keterkaitan antar kata, serta mengklasifikasikan opini masyarakat terhadap rencana pengesahan RUU Omnibus Law baik secara emosional maupun secara polaritas.   Data yang digunakan adalah data cuitan twitter dari tanggal 5 Januari 2020 hingga 30 Agustus 2020 dengan data hasil preprocessing sebanyak 8820 tweets. Hasilnya menunjukan bahwa sebagaian besar kata dalam tweet membahas tentang ketenagakerjaan. Berdasarkan analisis asosiasi kata, kata investasi memiliki keterkaitan yang erat dengan pertumbuhan ekonomi serta kemudahan regulasi, sedangkan kata cipta memiliki keterkaitan erat dengan penciptaan lapangan pekerjaan, dan kata buruh memiiki keterkaitan erat dengan penolakan. Kemudian, berdasarkan analisis sentiment, 54% cuitan terklasifikasi sebagai sentiment negative dan 46% cuitan terklasifikasi sebagai sentiment positif. Dengan metode Naïve Bayes, model yang terbentuk dapat mengklasifikasikan 87.1% cuitan twitter dengan benar atau dengan kata lain tingkat akurasi model sebesar 87.1%.

References

Han, Jiawei., & Kamber, Micheline. (2006), Data Mining: Concept and Techniques Second Edition, Morgan Kaufmann Publishers.

Kusrini., Luthfi, Emha Taufik. (2009). Algoritma Data Mining. Yogyakarta: Penerbit Andi.

Pramana, Setia., Yuniarto, Budi., Mariyah, Siti., Santoso, Ibnu., & Nooraeni, Rani. (2019). Data Mining dengan R (Konsep serta Implementasi). Bogor: In Media.

Darmawan, A. (2020). Politik Hukum Omnibus Law dalam Konteks Pembangunan Ekonomi Indonesia. Indonesian Journal of Law and Policy Studies, 1(1): 13-24.

Fattah, Zainal., & Fatanti, Megasari Noer. (2019). Mempolitisasi Ruang Virtual: Posisi Warga-Net dalam Praktik Demokrasi Digital di Indonesia. Jurnal Ilmiah Manajemen Publik dan Kebijakan Sosial, 3 (1).

Lumbantoruan, H. D. (2017). Pembentukan Regulasi Badan Usaha dengan Model Omnibus Law. to-ra, 3(1): 463-472.

Meilani, H. (2019). Hambatan dalam Meningkakan Investasi Asing di Indonesia dan Solusinya. Info Singkat Pusat Penelitian Badan Keahlian DPR RI, 9 (19).

Sumadiasa, I Ketut. (2016). Analisis Pengaruh Pembangunan Infrastruktur Jalan, Listrik dan PMA terhadap Pertumbuhan PDRB Provinsi Bali tahun 1993- 2014. E-Jurnal EP Unud. Ed. 5, (7).

Liu, B. (2012). Sentiment analysis and opinion mining. Synthesis lectures on human language technologies, 5(1), 1-167.

Domingos, P., & Pazzani, M. (1997). On the optimality of the simple Bayesian classifier under zero-one loss. Machine learning, 29(2-3), 103-130.

Bimananda, W., Riski, I., Dwi, K., Nooraeni, R., Siahaan, T., & Dhea, Y. (2019). Analisis Text Mining dari Cuitan Twitter Mengenai Infrastruktur di Indonesia dengan Metode Klasifikasi Naïve Bayes. EIGEN MATHEMATICS JOURNAL, 1(2), 92-101.

Han, J., Kamber, M., & Pei, J. (2011). Data mining concepts and techniques third edition. The Morgan Kaufmann Series in Data Management Systems, 83-124.

Rahutomo, F., & Ririd, Ariadi RTH. (2018). Evaliasi Daftar Stopword Indonesia. Jurnal Teknologi Informasi dan Ilmu Komputer, 6(1), 41-48.

Tan, A. H. (1999, April). Text mining: The state of the art and the challenges. In Proceedings of the PAKDD 1999 Workshop on Knowledge Discovery from Advanced Databases (Vol. 8, pp. 65-70). sn.

Java, A., Song, X., Finin, T., & Tseng, B. (2007, August). Why we twitter: understanding microblogging usage and communities. In Proceedings of the 9th WebKDD and 1st SNA-KDD 2007 workshop on Web mining and social network analysis (pp. 56-65).

Huang, J., Lu, J., & Ling, C. X. (2003, November). Comparing naive Bayes, decision trees, and SVM with AUC and accuracy. In Third IEEE International Conference on Data Mining (pp. 553-556). IEEE.

Ristoski, P., Faralli, S., Ponzetto, S. P., & Paulheim, H. (2017, August). Large-scale taxonomy induction using entity and word embeddings. In Proceedings of the International Conference on Web Intelligence (pp. 81-87).

Wartaekonomi.co.id (2020, 06 Februari)“16 Paket Kebijakan Ekonomi Jokowi Gagal”. Diakses pada 15 September 2020, dari https://hot.liputan6.com/read/3924215/5-cara-menulis-daftar-pustaka-dari-internet-wajib-tahu-agar-tidak-salah.

Kementerian Koordinator Bidang Perekonomian R.I, “Omnibus Law Cipta Lapangan Kerja” (Bahan sosialisasi RUU Cipta Lapangan Kerja, Jakarta, 17 Januari 2020).

Published
2020-12-23
How to Cite
Helmiah, N., Nooraeni, R., Nulkarim, A. R., Munia, N., Susanti, A., Putra, A. P., & Taufiqurrahman, F. (2020). Penerapan Metode Naïve Bayes dalam Analisis Persepsi Masyarakat mengenai Rencana Pengesahan RUU Omnibus Law di Bidang Investasi dan Ketenagakerjaan Tahun 2020 di Indonesia. Jurnal MSA ( Matematika Dan Statistika Serta Aplikasinya ), 8(2), 48 - 57. https://doi.org/10.24252/msa.v8i2.16743
Abstract viewed = 599 times

Most read articles by the same author(s)