Analysis of Indonesian Netizens' Dissent on President Jokowi  before and after Fuel Price Increase

Adi Mulia; Akhmad Rizal Dzikrillah

doi:10.24114/cess.v8i2.45319

Authors

Adi Mulia University of Muhammadiah Prof.Dr.Hamka
Akhmad Rizal Dzikrillah University of Muhammadiah Prof.Dr.Hamka

DOI:

https://doi.org/10.24114/cess.v8i2.45319

Keywords:

Sentiment Comparison, Fuel Price Increase, President Jokowi

Abstract

Penelitian ini dilakukan dengan tujuan yang didasarkan pada masalah yang muncul di masyarakat, yaitu kenaikan harga BBM. Metode klasifikasi sentimen yang diterapkan dalam penelitian ini adalah dengan menggunakan kamus korpus leksikon yang memperhitungkan nilai sentimen positif dan negatif. Peneliti lalu melakukan komparasi sentiment antara sebelum dan sesuadah kebijakan kenaikan harga BBM. Selanjutnya, peneliti menerapkan topik pemodelan Latent Dirichlet Allocation atau (LDA) untuk mengetahui apakah perbincangan kenaikan harga BBM menjadi topik utama saat BBM naik. Hasil dari penelitian ini menunjukkan bahwa setelah mengumumkan kenaikan harga BBM pada bulan September 2022, Persentase tweet bersentimen negatif yang mengarah kepada Presiden Jokowi mengalami kenaikan jika dibandingkan dengan sebelum mengumumkan kenaikan harga BBM. Persentase tweet bersentimen positif yang mengarah kepada presiden Jokowi mengalami penurunan jika dibandingkan dengan sebelum menaikkan harga BBM. Pada bulan saat presiden Jokowi mengumumkan kebijakan kenaikan harga BBM yaitu pada bulan September 2022, topik perbincangan yang berkaitan dengan kebijakan kenaikan harga BBM merupakan topik perbincangan terpopuler pada tweet yang mengarah kepada Presiden Jokowi. 33,8 % twit yang memperbincangkan kenaikan harga bahan bakar minyak adalah twit yang bersentimen negatif dengan topik perbincangan terpopuler netizen bersentimen negatif adalah topik-topik yang berelasi kritik pada pemerintahan Jokowi.This research was based on a problem that arose in the community, which was the increase in fuel prices. The sentiment classification method applied by the researcher is by using a lexicon corpus dictionary that considers positive and negative sentiment values. The researcher then compares sentiment between before and after the fuel price increase policy. Furthermore, the researcher applied Latent Dirichlet Allocation or (LDA) topic modeling to find out whether discussion of fuel price increase became the main topic when fuel rose. The results of this study show that after announcing the fuel price increase in September 2022, the percentage of negative tweets directed at President Jokowi has increased when compared to before announcing fuel price increase. The percentage of positive tweets directed at President Jokowi decreased when compared before raising fuel prices. In the month when President Jokowi announced fuel price increase policy, namely in September 2022, the topic of conversation related to fuel price increase policy was the most popular topic of conversation in tweets directed at President Jokowi. 33.8% of tweets that discussed fuel price increase negative tweets with the most popular topics of discussion netizens with negative sentiments topics related to criticism of Jokowi government.

Author Biographies

Adi Mulia, University of Muhammadiah Prof.Dr.Hamka

Program Studi Teknik Informatika, Universitas Muhammadiyah Prof.Dr.Hamka

Akhmad Rizal Dzikrillah, University of Muhammadiah Prof.Dr.Hamka

Program Studi Teknik Informatika, Universitas Muhammadiyah Prof.Dr.Hamka

References

W. Wardani, S. Suriana, S. U. Arfah, Z. Zulaili, and P. S. Lubis, œDampak kenaikan Bahan Bakar Minyak (BBM) Terhadap Inflasi dan Implikasinya Terhadap Makroekonomi di Indonesia, All Fields Sci. J. Liaison Acad. Sosiety, vol. 2, no. 3, pp. 63“70, 2022, doi: 10.58939/afosj-las.v2i3.338.

M. R. Nurhusen, J. Indra, and K. A. Baihaqi, œAnalisis Sentimen Pengguna Twitter Terhadap Kenaikan Harga Bahan Bakar Minyak (BBM) Menggunakan Metode Logistic Regression, J. Media Inform. Budidarma, vol. 7, no. 1, pp. 276“282, 2023, doi: 10.30865/mib.v7i1.5491.

G. Appel, L. Grewal, R. Hadi, and A. T. Stephen, œThe future of social media in marketing, J. Acad. Mark. Sci., vol. 48, no. 1, pp. 79“95, 2020, doi: 10.1007/s11747-019-00695-1.

A. Alrumaih, A. Al-Sabbagh, R. Alsabah, H. Kharrufa, and J. Baldwin, œSentiment analysis of comments in social media, Int. J. Electr. Comput. Eng., vol. 10, no. 6, pp. 5917“5922, 2020, doi: 10.11591/ijece.v10i6.pp5917-5922.

A. Yahyadi and F. Latifah, œAnalisis Sentimen Twitter Terhadap Kebijakan PPKM di Tengah Pandemi COVID-19 Menggunakan Mode LSTM, J. Inf. Syst. Applied, Manag. Account. Res., vol. 6, no. 2, pp. 464“471, 2022, doi: 10.52362/jisamar.v6i2.791.

K. R. A. P. Santoso, A. Husna, N. W. Putri, and N. A. Rakhmawati, œAnalisis Topik Tagar Covidindonesia pada Instagram Menggunakan Latent Dirichlet Allocation, JISKA (Jurnal Inform. Sunan Kalijaga), vol. 7, no. 1, pp. 1“9, 2022, doi: 10.14421/jiska.2022.7.1.1-9.

L. Tiara, H. Syaputra, W. Cholil, and A. H. Mirza, œWeb Scraper Dan Graphql API Untuk Data Perguruan Tinggi Di Indonesia Berdasarkan Website Kementerian Ristekdikti (Studi Kasus: Website Kementerian Ristekdikti), J. Nas. Ilmu Komput., vol. 2, no. 3, pp. 193“212, 2021, doi: 10.47747/jurnalnik.v2i3.533.

Y. Pratiwi, A. Yaqin, S. Informasi, F. I. Komputer, F. I. Komputer, and N. B. Classifier, œKlasifikasi Tweet Tidak Senonoh Twitter dengan NaÃ¯ve Bayes Classifier, e-Jurnal JUSITI (Jurnal Sist. Inf. dan Teknol. Informasi), vol. 1, no. 70, pp. 70“80, 2022, doi: 10.36774/jusiti.v11i1.912.

A. Syakur, œImplementasi Metode Lexicon Base Untuk Analisis Sentimen Kebijakan Pemerintah Dalam Pencegahan Penyebaran Virus Corona Covid-19 Pada Twitter, J. Ilm. Inform. Komput., vol. 26, no. 3, pp. 247“260, 2021, doi: 10.35760/ik.2021.v26i3.4720.

A. Hafzha Gustria Putri et al., œPeran Pajak Dalam Rangka Realokasi Apbd Untuk Menanggulangi Kenaikan Harga Bbm, J. Komun. Yust. Univ. Pendidik. Ganesha Progr. Stud. Ilmu Huk., vol. 5, no. November, pp. 451“458, 2022, doi: https://doi.org/10.23887/jatayu.v5i3.55838.

M. Dogucu and M. Ã‡etinkaya-Rundel, œWeb Scraping in the Statistics and Data Science Curriculum: Challenges and Opportunities, J. Stat. Educ., vol. 29, no. 1, pp. 1“24, 2020, doi: 10.1080/10691898.2020.1787116.

N. M. A. J. Astari, Dewa Gede Hendra Divayana, and Gede Indrawan, œAnalisis Sentimen Dokumen Twitter Mengenai Dampak Virus Corona Menggunakan Metode Naive Bayes Classifier, J. Sist. dan Inform., vol. 15, no. 1, pp. 27“29, 2020, doi: 10.30864/jsi.v15i1.332.

H. Syah and A. Witanti, œAnalisis Sentimen Masyarakat Terhadap Vaksinasi Covid-19 Pada Media Sosial Twitter Menggunakan Algoritma Support Vector Machine (Svm), J. Sist. Inf. dan Inform., vol. 5, no. 1, pp. 59“67, 2022, doi: 10.47080/simika.v5i1.1411.

H. Ma™rifah, A. P. Wibawa, and M. I. Akbar, œKlasifikasi Artikel Ilmiah Dengan Berbagai Skenario Preprocessing, Sains, Apl. Komputasi dan Teknol. Inf., vol. 2, no. 2, p. 70, 2020, doi: 10.30872/jsakti.v2i2.2681.

D. Alita and A. R. Isnain, œPendeteksian Sarkasme pada Proses Analisis Sentimen Menggunakan Random Forest Classifier, J. Komputasi, vol. 8, no. 2, pp. 50“58, 2020, doi: 10.23960/komputasi.v8i2.2615.

D. Normawati and S. A. Prayogi, œImplementasi NaÃ¯ve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter, J. Sains Komput. Inform. (J-SAKTI, vol. 5, no. 2, pp. 697“711, 2021, doi: 10.30645/j-sakti.v5i2.369.

A. Agung Nugraha and U. Budiyanto, œAdaptive E-Learning System Berbasis Vark Learning Style dengan Klasifikasi Materi Pembelajaran Menggunakan K-NN (K-Nearest Neighbor), Technomedia J., vol. 7, no. 2, pp. 248“261, 2022, doi: 10.33050/tmj.v7i2.1900.

P. Permata and Z. Abidin, œStatistical Machine Translation Pada Bahasa Lampung Dialek Api Ke Bahasa Indonesia, J. Media Inform. Budidarma, vol. 4, no. 3, p. 519, 2020, doi: 10.30865/mib.v4i3.2116.

R. R. Kurniawan and I. Zufria, œPenerapan Text Mining Pada Sistem Penyeleksian Judul Skripsi Menggunakan Algoritma Latent Dirichlet Allocation (LDA), Indones. J. Comput. Sci., vol. 11, no. 3, pp. 1036“1052, 2022, doi: 10.33022/ijcs.v11i3.3120.