ANALISIS SENTIMEN PADA MEDIA SOSIAL TERHADAP LAYANAN SAMSAT DIGITAL NASIONAL DENGAN SUPPORT VECTOR MACHINE

Abstrak

Pengguna kendaraan bermotor mengalami perkembangan pesat setiap tahunnya. Peningkatan kendaraan berkontribusi terhadap sumber penerimaan negara yaitu pajak. SAMSAT merupakan lembaga negara yang berwenang mengatur pajak kendaraan bermotor (PKB). Seiring perkembangan teknologi, SAMSAT berinovasi melalui aplikasi SIGNAL dimana masyarakat diberikan kemudahan untuk melakukan pembayaran pajak kendaraan bermotor dengan aman melalui telepon seluler. Media sosial seperti Instagram dan X berpotensi besar untuk mengumpulkan data dalam memahami reaksi publik terhadap aplikasi SIGNAL. Komentar pada media sosial terhadap aplikasi SIGNAL menimbulkan pro dan kontra dari masyarakat, oleh karena itu perlu dilakukannya analisis sentimen melalui pendekatan text mining menggunakan algoritma Support Vector Machine (SVM) dengan mengikuti metodologi Cross Industry Standard Process for Data Mining (CRISP-DM). Penelitian dilakukan melalui beberapa tahap termasuk pengumpulan data, preprocessing, pemodelan dengan algoritma Support Vector Machine (SVM), hingga evaluasi dengan confusion matrix. Data penelitian bersumber dari komentar media sosial Instagram sejak 20 September 2023 s/d. 16 April 2024 sebanyak 3.543 record dan 1.335 komentar pada media sosial X sejak tanggal 31 Mei 2023 s/d. 27 Maret 2024 dengan kata kunci “aplikasi SIGNAL”. Setelah tahap preprocessing data yang digunakan berkurang menjadi 3.911 karena terdapat ulasan duplikat dan ulasan yang tidak relevan. berdasarkan 3.911 data menghasilkan 773 komentar positif, 1991 negatif dan 1147 komentar neutral. Penelitian ini bertujuan untuk mengidentifikasi sentimen masyarakat terhadap pelayanan SIGNAL melalui media sosial Instagram dan X serta membuat model klasifikasi sentimen menggunakan Support Vector Machine (SVM)  dan kernel terbaik yang nantinya diharapkan dapat menjadi perbaikan bagi pengembang. Untuk kebutuhan pemodelan penelitian menyiapkan dataset dua kelas sentimen dan tiga kelas sentimen. Berdasarkan penerapan model, Support Vector Machine (SVM)  dengan kernel linear menghasilkan nilai lebih baik dibandingkan model Naïve Bayes dan KNN dengan nilai akurasi 0.88, presisi 0.88, recall 0.81 dan AUC 0.92 menggunakan 10-fold cross validation pada data latih dan data uji.