Analisis Sentimen Pengguna X Terhadap Coretax Menggunakan Naïve Bayes Dan Logistic Regression
:
https://doi.org/10.32409/jikstik.24.3.3814
Keywords:
Analisis Sentimen, Coretax, Naive Bayes, Logistic Regression, TF-IDFAbstract
Studi ini bertujuan menganalisis sentimen publik terhadap Core Tax Administration System (CTAS), layanan pajak digital baru Direktorat Jenderal Pajak (DJP) di Indonesia. Sebanyak 2.530 tweet berbahasa Indonesia di platform X dikumpulkan melalui web scraping antara 1 Januari dan 8 Februari 2025. Setiap tweet dipra-proses: pembersihan, case folding, tokenisasi, normalisasi, stemming, penyaringan, dan pelabelan sentimen dengan leksikon InSet. Term Frequency Inverse Document Frequency (TF-IDF) digunakan untuk ekstraksi fitur, lalu dua algoritma klasifikasi Naive Bayes dan Logistic Regression diuji dengan rasio 80:20. Logistic Regression unggul dengan akurasi 80,83%, presisi 80,4%, recall 80,8%, dan skor F1 78,6%, sedangkan Naive Bayes mencapai akurasi 52,96%. Analisis word cloud mengidentifikasi kata atau frasa yang paling sering muncul. Temuan ini menegaskan keunggulan Logistic Regression dalam klasifikasi sentimen dan memberikan rekomendasi bagi pembuat kebijakan serta pengembang sistem untuk meningkatkan kegunaan CTAS dan memperkuat kepercayaan publik
Downloads
References
I. Dharmawan, “Coretax: Peta Baru Perpajakan di Indonesia,” 2024. https://pajak.go.id/id/artikel/coretax-peta-baru-perpajakan-di-indonesia (accessed Feb. 05, 2024).
F. Kurniawan, “Berapa Biaya Pembuatan Coretax? Lebih Mahal dari ChatGPT dan DeepSeek,” 2025. https://www.idntimes.com/business/economy/farid-kurniawan-3/berapa-biaya-pembuatan-coretax-lebih-mahal-dari-chatgpt-dan-deepseek?page=all (accessed Feb. 05, 2025).
W. Ningsih, B. Alfianda, R. Rahmaddeni, and D. Wulandari, “Perbandingan Algoritma SVM dan Naïve Bayes dalam Analisis Sentimen Twitter pada Penggunaan Mobil Listrik di Indonesia,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 2, pp. 556–562, 2024, doi: 10.57152/malcom.v4i2.1253.
N. P. G. Naraswati, R. Nooraeni, D. C. Rosmilda, D. Desinta, F. Khairi, and R. Damaiyanti, “Analisis Sentimen Publik dari Twitter Tentang Kebijakan Penanganan Covid-19 di Indonesia dengan Naive Bayes Classification,” Sistemasi, vol. 10, no. 1, p. 222, 2021, doi: 10.32520/stmsi.v10i1.1179.
M. Azahri, N. Sulistiyowati, and M. Jajuli, “Analisis Sentimen Pengguna Kereta Api Indonesia Melalui Sosial Media Twitter Dengan Algoritma Naïve Bayes Classifier,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 3, pp. 1671–1675, 2023, doi: 10.36040/jati.v7i3.6886.
A. Kartika Sari, Akhmad Irsyad, Dinda Nur Aini, Islamiyah, and Stephanie Elfriede Ginting, “Analisis Sentimen Twitter Menggunakan Machine Learning untuk Identifikasi Konten Negatif,” Adopsi Teknol. dan Sist. Inf., vol. 3, no. 1, pp. 64–73, 2024, doi: 10.30872/atasi.v3i1.1373.
I. G. I. S. Amna, Wahyuddin S et al., Data Mining, vol. 1, no. 16 February 2023. 2023. [Online]. Available: https://repository.uinjkt.ac.id/dspace/bitstream/123456789/71093/1/DATA MINING.pdf
A. Aziz, “Analisis Sentimen Identifikasi Opini Terhadap Produk, Layanan dan Kebijakan Perusahaan Menggunakan Algoritma TF-IDF dan SentiStrength,” J. Sains Komput. Inform. (J-SAKTI, vol. 6, no. 1, p. 115, 2022.
F. Matheos Sarimole and K. Kudrat, “Analisis Sentimen Terhadap Aplikasi Satu Sehat Pada Twitter Menggunakan Algoritma Naive Bayes Dan Support Vector Machine,” J. Sains dan Teknol., vol. 5, no. 3, pp. 783–790, 2024, doi: 10.55338/saintek.v5i3.2702.
R. Syahputra, G. J. Yanris, and D. Irmayani, “SVM and Naïve Bayes Algorithm Comparison for User Sentiment Analysis on Twitter,” Sinkron, vol. 7, no. 2, pp. 671–678, 2022, doi: 10.33395/sinkron.v7i2.11430.
R. A. Husen, R. Astuti, L. Marlia, R. Rahmaddeni, and L. Efrizoni, “Analisis Sentimen Opini Publik pada Twitter Terhadap Bank BSI Menggunakan Algoritma Machine Learning,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 2, pp. 211–218, 2023, doi: 10.57152/malcom.v3i2.901.
F. D. Pramakrisna, F. D. Adhinata, and N. A. F. Tanjung, “Aplikasi Klasifikasi SMS Berbasis Web Menggunakan Algoritma Logistic Regression,” Teknika, vol. 11, no. 2, pp. 90–97, 2022, doi: 10.34148/teknika.v11i2.466.
R. Nurhidayat and K. E. Dewi, “Penerapan Algoritma K-Nearest Neighbor Dan Fitur Ekstraksi N-Gram Dalam Analisis Sentimen Berbasis Aspek,” Komputa J. Ilm. Komput. dan Inform., vol. 12, no. 1, pp. 91–100, 2023, doi: 10.34010/komputa.v12i1.9458.
Brury Barth Tangkere, “Analisis Performa Logistic Regression dan Support Vector Classification untuk Klasifikasi Email Phising,” J. Ekon. Manaj. Sist. Inf., vol. 5, no. 4, pp. 442–450, 2024, doi: 10.31933/jemsi.v5i4.1916.
Y. Afrillia, L. Rosnita, and D. Siska, “Analisis Sentimen Ciutan Twitter Terkait Penerapan Permendikbudristek Nomor 30 Tahun 2021 Menggunakan TextBlob dan Support Vector Machine,” G-Tech J. Teknol. Terap., vol. 6, no. 2, pp. 387–394, 2022, doi: 10.33379/gtech.v6i2.1778.
Downloads
Published
How to Cite
Issue
Section
Categories
Abstract View: 0 times
