Analisis Sentimen Netizen Terhadap Kenaikan Pajak Pertambahan Nilai (PPN) Di Media Sosial X: Perbandingan Algoritma Naive Bayes Dan C4.5

Sari

Abstrak: Kenaikan tarif Pajak Pertambahan Nilai (PPN) memicu dinamika opini publik di media sosial X yang penting dianalisis sebagai bahan evaluasi kebijakan fiskal. Meskipun demikian, sebagian besar penelitian terdahulu masih berfokus pada data kualitatif atau data kategorial tabular, sehingga terdapat celah penelitian dalam mengukur respons publik secara kuantitatif pada teks berdimensi tinggi (sparse text). Penelitian ini bertujuan menganalisis sentimen netizen serta membandingkan kinerja algoritma Naïve Bayes dan C4.5 dalam mengklasifikasikan opini tersebut. Dataset terdiri dari 369 tweet valid hasil crawling yang diolah melalui preprocessing dan pembobotan TF-IDF. Hasil penelitian menunjukkan sentimen kontra lebih dominan (305 tweet) dibandingkan pro (64 tweet). Berdasarkan pengujian dengan rasio train-test split 70:30, Naïve Bayes mencatatkan akurasi sebesar 92,73%, mengungguli C4.5 yang memperoleh 86,36%. Hal ini membuktikan Naïve Bayes lebih efektif untuk klasifikasi teks berdimensi tinggi pada isu kebijakan publik. Secara praktis, dominasi sentimen kontra memberikan masukan bagi pemangku kebijakan dalam merumuskan strategi komunikasi publik. Secara akademis, temuan ini memperkuat bukti keunggulan algoritma probabilistik pada klasifikasi teks. Kendati demikian, penelitian ini masih terbatas pada ukuran dataset yang kecil (369 tweet), klasifikasi biner, dan evaluasi tanpa k-fold cross-validation, sehingga disarankan bagi penelitian selanjutnya untuk memperluas volume data dan menerapkan validasi silang.
Kata kunci: Analisis sentimen, Pajak Pertambahan Nilai (PPN), media sosial X, Naïve Bayes, C4.5, Text mining, Klasifikasi sentimen.

Abstract: The increase in Value Added Tax (VAT) rates has sparked public opinion dynamics on social media X, making its analysis essential for evaluating fiscal policy. Nevertheless, most previous studies still focused on qualitative data or tabular categorical data, leaving a research gap in quantitatively measuring public responses on high-dimensional text (sparse text). This study aims to analyze netizens' sentiments and compare the performance of Naïve Bayes and C4.5 algorithms in classifying these opinions. The dataset comprises 369 valid tweets collected through crawling, processed via preprocessing techniques and TF-IDF weighting. The findings reveal that opposing sentiment was dominant (305 tweets) compared to supportive sentiment (64 tweets). Based on testing with a 70:30 train-test split ratio, Naïve Bayes achieved an accuracy of 92.73%, outperforming C4.5 which reached 86.36%. This demonstrates that Naïve Bayes is more effective for high-dimensional text classification in public policy contexts. Practically, the dominance of opposing sentiment provides valuable input for policymakers in formulating public communication strategies. Academically, these findings strengthen empirical evidence supporting the superiority of probabilistic algorithms in text classification. Nevertheless, this study is limited by a small dataset size (369 tweets), binary classification, and evaluation without k-fold cross-validation, suggesting that future research expand the data volume and apply cross-validation
Keywords: Sentiment analysis, Value Added Tax (VAT), social media X, Naive Bayes, C4.5, text mining, sentiment classification