Analisis Sentimen Opini terhadap Kebijakan Pegawai Pemerintah dengan Perjanjian Kerja (PPPK) Paruh Waktu di Twitter Menggunakan Metode Lexicon-Based dan Support Vector Machine (SVM)

Abstract

Perkembangan media sosial telah membuka ruang baru bagi masyarakat untuk enyampaikan opini secara luas, termasuk terhadap kebijakan pemerintah. Salah satu kebijakan yang menjadi sorotan adalah program Pegawai Pemerintah dengan Perjanjian Kerja (PPPK) paruh waktu. Penelitian ini bertujuan untuk menganalisis sentimen opini publik terhadap kebijakan tersebut melalui platform Twitter dengan menggunakan pendekatan Lexicon-Based dan algoritma Support Vector Machine (SVM). Data dikumpulkan melalui proses crawling menggunakan kata kunci relevan, menghasilkan 762 tweet yang telah diberi label secara manual ke dalam dua kategori sentimen: positif dan negatif. Data teks kemudian melalui tahapan preprocessing seperti Case Folding, Cleansing, tokenisasi, normalisasi, Stopword Removal, dan Stemming. Selanjutnya, fitur teks diekstraksi menggunakan metode Term Frequency Inverse Document Frequency (TF-IDF) untuk direpresentasikan secara numerik. Model SVM dengan berbagai kernel (Linear, RBF, Sigmoid, dan Polynomial) diuji pada proporsi data latih dan uji yang berbeda (60:40, 70:30, 80:20, 90:10). Hasil evaluasi menunjukkan bahwa kernel RBF memberikan performa terbaik dengan akurasi tertinggi mencapai 79,22% dan F1-Score sebesar 79,16% pada proporsi data 90:10. Temuan ini menunjukkan bahwa kombinasi Lexicon-Based dan SVM efektif dalam mengklasifikasikan opini publik, serta dapat menjadi acuan dalam pengambilan keputusan kebijakan berbasis opini masyarakat.