Komparasi Metode SVM, Naive Bayes dan Decision Tree Untuk Analisis Sentiment Terhadap Coretax Pada Platform X

Abstract

Coretax adalah sistem perpajakan digital yang digunakan pemerintah untuk membuat layanan pajak menjadi lebih efisien dan transparan. Sejak diluncurkan, muncul berbagai opini publik, terutama di Platform X. Penelitian ini bertujuan mengeksplorasi opini publik terkait Coretax melalui analisis sentimen, sekaligus membandingkan performa tiga algoritma klasifikasi teks, yakni Support Vector Machine (SVM), Naive Bayes (NB), dan Decision Tree (DT). Sebanyak 17.812 data dikumpulkan melalui proses crawling, kemudian dibersihkan dan difilter hingga tersisa 17.551 data. Data tersebut kemudian diberi label secara otomatis menggunakan metode lexicon-based, yang menghasilkan 13.567 data yang memenuhi kriteria sebagai data sentimen positif atau negatif. Data dianalisis menggunakan ketiga algoritma setelah melalui tahap preprocessing dan vektorisasi. Evaluasi dilakukan dengan memanfaatkan confusion matrix serta sejumlah metrik, di antaranya accuracy, precision, recall, dan F1-score. Berdasarkan hasil evaluasi tersebut, SVM terbukti menjadi model dengan performa paling optimal, ditunjukkan oleh tingkat accuracy yang mencapai 97,31%. Studi ini tidak hanya menunjukkan keunggulan SVM dalam klasifikasi teks, tetapi juga menekankan pentingnya media sosial sebagai sumber masukan untuk mengevaluasi kebijakan publik digital.