Analisis Sentimen Komentar Youtube terhadap Kebijakan Menteri Keuangan (Purbaya Yudhi Sadewa) Tidak Menaikan Pajak Menggunakan Model Regresi Logistic, Naïve Bayes, Support Vector Machine dan Random Forest
Keywords:
Klasifikasi Sentimen, Media Sosial, Ketidakseimbangan Kelas, TF-IDF, Algoritma Machine LearningAbstract
Kebijakan perpajakan sering memicu beragam respons masyarakat yang terekam dalam media sosial seperti YouTube, sehingga diperlukan pendekatan machine learning untuk menganalisis sentimen secara objektif. Penelitian ini bertujuan menganalisis kecenderungan sentimen masyarakat serta membandingkan kinerja algoritma Regresi Logistik, Naive Bayes, Support Vector Machine (SVM), dan Random Forest dalam mengklasifikasikan komentar YouTube terhadap kebijakan Menteri Keuangan yang tidak menaikkan pajak ke dalam sentimen positif, netral, dan negatif. Data diperoleh dari kolom komentar YouTube CNBC Indonesia dan diproses melalui tahapan data cleansing, pelabelan sentimen menggunakan VADER, preprocessing teks, serta ekstraksi fitur TF-IDF. Hasil analisis menunjukkan adanya ketidakseimbangan kelas dengan dominasi sentimen netral. Evaluasi model menggunakan akurasi, Macro F1-Score, dan Kurva ROC-AUC menunjukkan bahwa Regresi Logistik dan Naive Bayes memiliki akurasi tinggi namun bias terhadap kelas mayoritas, sementara SVM menunjukkan peningkatan performa dalam membedakan kelas sentimen. Random Forest menjadi model paling optimal dengan akurasi tertinggi sebesar 93,95%, Macro F1-Score 0,6181, serta nilai AUC ROC yang tinggi dan seimbang pada seluruh kelas sentimen, sehingga terbukti paling efektif dalam menganalisis sentimen komentar YouTube pada dataset tidak seimbang dan memberikan gambaran objektif mengenai respons publik terhadap kebijakan fiskal.
References
[1] M. Quraisy, “Analisis sentimen ulasan aplikasi MyUnpam di Google Play Store menggunakan metode Naive Bayes,” in *Prosiding Seminar Kecerdasan Artifisial, Sains Data, dan Pendidikan Masa Depan (PROKASDADIK)*, vol. 2, Sep. 2024.
[2] S. A. Nugraha, “Penerapan lexicon based untuk analisis sentimen masyarakat Indonesia terhadap Danantara,” *JATI (Jurnal Mahasiswa Teknik Informatika)*, vol. 9, no. 3, Jun. 2025.
[3] I. R. Ainunnisa and Sulastri, “Analisis sentimen aplikasi TikTok dengan metode support vector machine (SVM), logistic regression, dan Naïve Bayes,” *J. Teknol. Sist. Inf. Apl.*, vol. 6, no. 3, pp. 423–430, Jul. 2023, doi: 10.32493/jtsi.v6i3.31076.
[4] Z. Fatah and R. A. Ningsih, “Analisis sentimen komentar YouTube terhadap tragedi demo 25 Agustus menggunakan pendekatan lexicon-based,” makalah tidak dipublikasikan, Universitas Ibrahimy, Situbondo, 2024.
[5] A. Khaidar, “Analisis sentimen di Instagram terhadap Menteri Keuangan Purbaya Yudhi Sadewa menggunakan metode logistic regression,” *JITET (Jurnal Informatika dan Teknik Elektro Terapan)*, vol. 13, no. 3S1, 2024, doi: 10.23960/jitet.v13i3S1.8002.
[6] N. Fauziah, M. Alkautsar, Y. Suryaman, and F. F. Roji, “Pelabelan VADER dalam menganalisis persepsi masyarakat terhadap kenaikan tarif PPN di Indonesia,” makalah tidak dipublikasikan, Universitas Garut, 2025.
[7] A. Aziz, A. B. Susanto, and S. Wiharjo, “Analisis sentimen pelayanan pelanggan mini market Alfamart pada media sosial Twitter dengan Naïve Bayes classifier,” Program Pascasarjana, Universitas Pamulang, Banten, 2025.
[8] A. Andhini, F. N. Handayani, I. Diasih, and N. Nurmalitasari, “Analisis sentimen opini publik pada channel YouTube Mata Najwa menggunakan metode SVM,” *J. Tekn. Inf. dan Teknol. Inf.*, vol. 5, no. 2, pp. 139–154, Aug. 2025, doi: 10.55606/jutiti.v5i2.5426.
[9] S. F. Huwaida, R. Kusumawati, and B. Isnaini, “Analisis sentimen komentar YouTube terhadap pemindahan ibu kota negara menggunakan metode Naïve Bayes,” makalah tidak dipublikasikan, 2024.
[10] A. Danil, “Analisis sentimen masyarakat terhadap pemilihan Bupati Cirebon 2024 berdasarkan komentar pada video debat di YouTube dengan metode Naïve Bayes,” *J. Inform. Tek. Elektro Terap.*, vol. 13, no. 1, 2025.
[11] S. Syafrizal, M. Afdal, and R. Novita, “Analisis sentimen ulasan aplikasi PLN Mobile menggunakan algoritma Naïve Bayes classifier dan K-nearest neighbor,” *MALCOM: Indones. J. Mach. Learn. Comput. Sci.*, vol. 4, no. 1, pp. 10–19, 2024.
[12] A. Zakira, M. Arhami, M. I. Abdi, and S. Safriadi, “Text-based emotion sentiment analysis on social media using NLP and lexicon approach (case study: Gaza conflict),” *J. Inform. Eng. Softw. Appl.*, vol. 1, no. 1, pp. 139–149, 2025.
[13] L. D. Putra, *Analisa konten media sosial Instagram @folkative dalam membentuk opini publik*, Doctoral dissertation, Universitas Buddhi Dharma, 2024.
[14] “Purbaya Yudhi Sadewa,” Wikipedia bahasa Indonesia, Sep. 2025. [Online]. Available: https://id.wikipedia.org/wiki/Purbaya_Yudhi_Sadewa. [Accessed: Sep. 30, 2025].
[15] Kementerian Keuangan Republik Indonesia, “Profil pejabat—Menteri Keuangan: Purbaya Yudhi Sadewa,” 2025. [Online]. Available: https://www.kemenkeu.go.id/profile/profile-pejabat/Menteri-Keuangan. [Accessed: Sep. 30, 2025].
[16] MUC Consulting, “Purbaya Yudhi Sadewa gantikan Sri Mulyani sebagai Menteri Keuangan,” Sep. 8, 2025. [Online]. Available: https://muc.co.id/id/article/purbaya-yudhi-sadewa-gantikan-sri-mulyani-sebagai-menteri-keuangan. [Accessed: Sep. 30, 2025].
[17] “Profil Sri Mulyani, dua dekade urus keuangan negara kini diganti Purbaya,” *Bisnis.com*, Jakarta, Sep. 8, 2025. [Online]. Available: https://ekonomi.bisnis.com/read/20250908/9/1909320/profil-sri-mulyani-2-dekade-urus-keuangan-negara-kini-diganti-purbaya. [Accessed: Sep. 30, 2025].
[18] P. Y. D. Abigail, “Profil Purbaya Yudhi Sadewa, Menteri Keuangan pengganti Sri Mulyani,” *Bisnis.com*, Jakarta, Sep. 8, 2025. [Online]. Available: https://ekonomi.bisnis.com/read/20250908/9/1909315/profil-purbaya-yudhi-sadewa-menteri-keuangan-pengganti-sri-mulyani. [Accessed: Sep. 30, 2025].
[19] A. S. D. P. Sinaga and A. S. Aji, “Analisis sentimen publik terhadap Mayor Teddy Indra Wijaya dengan pendekatan logistic regression,” *MALCOM: Indones. J. Mach. Learn. Comput. Sci.*, vol. 5, no. 1, pp. 222–231, 2025.
[20] D. W. P. Lestari, R. S. Perdana, and P. P. Adikara, “Klasifikasi video clickbait pada YouTube berdasarkan analisis sentiment komentar menggunakan Learning Vector Quantization (LVQ) dan Lexicon-Based Features,” *J. Pengemb. Teknol. Inf. dan Ilmu Komput.*, vol. 3, no. 2, pp. 1184–1189, 2019. [Online]. Available: http://j-ptiik.ub.ac.id
[21] A. R. Ismail and R. B. F. Hakim, “Implementasi Lexicon Based untuk analisis sentiment dalam mengetahui trend wisata Pantai di DI Yogyakarta berdasarkan data twiter,” *Emerging Statistic and Data Science J.*, vol. 1, no. 1, pp. 37–46, 2023.
[22] L. Wirakarsa, A. Angdresey, and J. D. Kapantow, “Implementasi metode Navie Bayes dan Lexicon-Based approach untuk mengkalsifikasi sentiment netizen pada tweet berbahasa Indonesia,” *J. Ilm. Realtech*, vol. 18, no. 1, pp. 15–23, 2022.
[23] I. G. N. A. Wiswasta, I. M. Sukamerta, D. M. Wedagama, and I. G. A. A. Agung, *Metode Penelitian dan Analisis Statistik Kuantitatif Deskriptif*, UNMAS Press, 2017.
[24] D. Wahyuni, N. Fadhillah, and W. W. Ariestya, “Metode Long Short-Term Memory dan Lexicon Based untuk analisis sentiment ulasan aplikasi TikTok,” *J. Ilm. KOMPUTASI*, vol. 23, no. 2, pp. 173–189, 2024, doi: 10.32409/jikstik.23.2.3579.
[25] R. A. S. Nurillah, M. Imrona, and A. Alamsyah, “Prediksi pola penyebaran penyakit DBD di Kota Pagar Alam menggunakan Long Short-Term Memory (LSTM),” *eProceedings of Eng.*, vol. 8, no. 1, pp. 867–882, 2021. [Online]. Available: http://openlibrary.telkomuniversity.ac.id.
Downloads
Published
How to Cite
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
