Analisis Sentimen Kebijakan Reshuffle Kabinet Pemerintahan Presiden Joko Widodo Menggunakan Metode Support Vector Machine

Abstract

Reshuffle kabinet merupakan salah satu cara yang dilakukan oleh pemerintah dalam mengevaluasi kinerja kementerian. Dalam hal ini, presiden memiliki hak prerogatif untuk mengangkat dan memberhentikan menteri. Reshuffle kabinet dapat menimbulkan isu bernuansa politik yang mengakibatkan munculnya beragam opini dari masyarakat luas. Media sosial twitter digunakan oleh masyarakat untuk membagikan informasi ataupun mengungkapkan opini terkait isu yang sedang terjadi, salah satunya mengenai reshuffle kabinet pada masa pemerintahan presiden Joko Widodo. Informasi yang termuat dalam tweet bersifat acak dan sulit untuk mengenali apakah tweet tersebut merupakan opini positif atau negatif. Oleh karena itu, text mining digunakan untuk memproses serangkaian opini menjadi suatu informasi yang memuat seluruh opini yang terlibat dalam suatu isu. Kata pada dataset tweet harus diubah terlebih dahulu ke dalam bentuk vector yakni dengan menggunakan word2vec model skip-gram. Kedekatan kata dalam word2vec dapat dikelompokkan menggunakan metode clustering dan visualisasi. Support vector machine (SVM) digunakan untuk proses klasifikasi dengan empat kernel yakni kernel linier, polynomial, RBF, dan sigmoid sehingga diperoleh kernel terbaik yakni kernel RBF dengan parameter nilai 𝐶 = 462,83 dan gamma = 4 dan menghasilkan nilai akurasi data training sebesar 84%. Nilai C yang besar pada kernel SVM memiliki kemampuan untuk mengklasifikasikan titik-titik data yang berada di dekat decision boundary sehingga hal ini dapat mempengaruhi nilai akurasi pada kernel. Hasil testing model direpresentasikan dengan menggunakan confusion matrix yang menghasilkan akurasi sebesar 72%, sedangkan cross validation dengan menggunakan k-fold cross validation menghasilkan nilai sebesar 0,7423 atau lebih besar diantara ketiga kernel lainnya. Kontribusi kata dalam dataset diinterpretasikan dengan menggunakan visualisasi SHAP. Global explanation pada SHAP menggunakan visualisasi bar plot dengan hasil kontribusi positif dihasilkan oleh kata ‘presiden’, ‘negeri’, ‘hak’, ‘hati’, dan ‘kerja’, sedangkan kontribus negatif dihasilkan oleh feature kata ‘joko’, ‘widodo’, dan ‘bangun’. Local explanation diinterpretasikan melalui visualisasi force plot dan waterfall plot dan didapatkan nilai prediksi 𝑓(𝑥) = −0,661 serta nilai baseline 𝐸[𝑓(𝑥)] = −0,311. Nilai prediksi yang menunjukkan nilai negatif menandakan bahwa data tersebut diklasifikasin ke kelas negatif berdasarkan nilai baseline dan kontribusi model. Model yang telah disusun dapat dimanfaatkan kembali untuk melakukan prediksi model dengan menggunakan data tweet terbaru.