Analisis Sentimen Respons Twitter terhadap Persyaratan Badan Penyelenggara Jaminan Sosial (BPJS) di Kantor Pertanahan
Abstract
The Indonesian government has issued a policy regarding applications for registration services for the transfer of land rights or ownership rights to apartment units because buying and selling must be accompanied by a photocopy of the BPJS Health participant card. This policy has given rise to various kinds of public opinion, including that of internet residents (netizens) on Twitter and social media. This research aims to determine netizens' responses to this policy. This research uses quantitative methods. Crawling and data analysis use the Python programming language or lexicon-based method with the program execution time before August 19, 2023. The research results show that as many as 57.7% of Twitter users' opinions responded positively to BPJS requirements for service activities at land offices, compared to opinions that responded negatively by as much as 33.1% and neutrally by as much as 9.2%. Based on the source, tweets from government accounts tend to give positive responses, while personal accounts give negative responses. Sentiment analysis can provide valuable insight for the government and related agencies to evaluate and improve public services quickly and practically by examining the views, concerns, and hopes of the community regarding the policies that have been established.
Pemerintah Indonesia mengeluarkan kebijakan pada permohonan pelayanan pendaftaran peralihan hak atas tanah atau hak milik atas satuan rumah susun karena jual beli harus dilengkapi dengan fotokopi kartu peserta BPJS Kesehatan. Kebijakan tersebut menimbulkan berbagai macam opini masyarakat, termasuk warga internet (netizen) di media sosial twitter. Penelitian ini bertujuan untuk mengetahui tanggapan netizen terhadap kebijakan tersebut. Penelitian ini menggunakan metode kuantitatif. Crawling dan analisis datanya menggunakan bahasa pemrograman python atau metode lexicon-based dengan waktu execute program sebelum tanggal 19 Agustus 2023. Hasil penelitian menunjukkan sebanyak 57,7% opini pengguna twitter memberikan tanggapan positif terhadap persyaratan BPJS pada kegiatan pelayanan di kantor pertanahan, opini yang menanggapi negatif sebanyak 33,1%, dan netral sebanyak 9,2%. Berdasarkan sumbernya, tweet dari yang berasal dari akun milik pemerintah cenderung memberikan tanggapan positif, sedangkan akun personal memberikan tanggapan negatif. Analisis sentimen dapat memberikan wawasan yang berharga bagi pemerintah dan instansi terkait untuk mengevaluasi serta meningkatkan pelayanan publik secara cepat dan praktis dengan mengkaji pandangan, kekhawatiran, dan harapan masyarakat atas kebijakan yang telah ditetapkan.
References
Alamsyah, D. N., & Sadewo, F. X. S. (2019). Institusi Polri dan Perannya di Media Sosial. Paradigma, 7(3). https://ejournal.unesa.ac.id/index.php/paradigma/article/view/29790
Alfareza, M. N., & Praditya, T. A. (2020). Analisis Sentimen ZOOM Cloud Meetings Pada Google Play Store Review. Seminar Nasional Teknik Industri Universitas Gajah Mada, 42–45. https://repository.ugm.ac.id/276451/1/PROSIDING SENTI 2020-OR %281%29_8.pdf
Amaliah, F., Kadek, I., & Nuryana, D. (2022). Perbandingan Akurasi Metode Lexicon Based dan Naive Bayes Classifier Pada Analisis Sentimen Pendapat Masyarakat Terhadap Aplikasi Investasi Pada Media Twitter. Journal of Informatics and Computer Science, 03. https://doi.org/10.26740/jinacs.v3n03.p384-393
Annisa, R., Winda, S., Dwisaputro, E., & Isnaini, K. N. (2020). Mengatasi Defisit Dana Jaminan Sosial Kesehatan Melalui Perbaikan Tata Kelola. INTEGRITAS: Jurnal Antikorupsi, 6(2), 209–224. https://doi.org/10.32697/integritas.v6i2.664
Anti, S. Y. F. (2022). Analisa Yuridis Terhadap Penggunaan Kartu Badan Penyelenggara Jaminan Sosial Kesehatan Sebagai Syarat Peralihan Hak Atas Tanah di Kota Kendari. Tesis. Magister Kenotariatan Universitas Islam Sultan Agung. http://repository.unissula.ac.id/26608/1/21302000157_fullpdf.pdf
Antypas, D., Preece, A., & Camacho-Collados, J. (2023). Negativity spreads faster: A large-scale multilingual twitter analysis on the role of sentiment in political communication. Online Social Networks and Media, 33. https://doi.org/10.1016/j.osnem.2023.100242
Ardiani, L., Sujaini, H., & Tursina, T. (2020). Implementasi Sentiment Analysis Tanggapan Masyarakat Terhadap Pembangunan di Kota Pontianak. Jurnal Sistem dan Teknologi Informasi (Justin), 8(2), 183–190. https://doi.org/10.26418/justin.v8i2.36776
Arsi, P., & Waluyo, R. (2021). Analisis Sentimen Wacana Pemindahan Ibu Kota Indonesia Menggunakan Algoritma Support Vector Machine (SVM). Jurnal Teknologi Informasi dan Ilmu Komputer, 8(1), 147–156. https://doi.org/10.25126/jtiik.0813944
Azhar, Y. (2017). Metode Lexicon-Learning Based Untuk Identifikasi Tweet Opini Berbahasa Indonesia. Jurnal Nasional Pendidikan Teknik Informatika (Janapati), 6(3), 237–243. https://doi.org/10.23887/janapati.v6i3.11739
Basri, H. (2022). Kenapa Beli Tanah Wajib Sertakan BPJS Kesehatan? Ini Kata BPN. Kompas TV. https://www.kompas.tv/nasional/262911/kenapa-beli-tanah-wajib-sertakan-bpjs-kesehatan-ini-kata-bpn
Chinnasamy, P., Suresh, V., Ramprathap, K., Jebamani, B. J. A., Srinivas Rao, K., & Shiva Kranthi, M. (2022). COVID-19 vaccine sentiment analysis using public opinions on Twitter. Materials Today: Proceedings, 64, 448–451. https://doi.org/10.1016/j.matpr.2022.04.809
Creswell, J. W. (2002). Desain penelitian: Pendekatan Kualitatif & Kuantitatif, Jakarta: KIK, 121-180.
Deandra, D. P. (2023). Analisis Sentimen Kepercayaan Masyarakat terhadap Instansi Polri dengan Algoritma Support Vector Machine pada Media Sosial Twitter. Universitas Multimedia Nusantara. https://kc.umn.ac.id/25732/
Degenhard, J. (2023). Twitter users in Indonesia 2018-2027. Statista. https://www.statista.com/forecasts/1145550/twitter-users-in-indonesia
Destitus, C., Wella, & Suryasari. (2020). Support Vector Machine VS Information Gain: Analisis Sentimen Cyberbullying di Twitter Indonesia. ULTIMA InfoSys: Jurnal Sistem Informasi, 11(2), 107. https://doi.org/10.31937/si.v11i2.1740
Fajriah, H. (2022). Imbas Aturan Soal Kartu BPJS Kesehatan, Tagar Jokowi The Real Dictator dan Jokowi Harus Turun Trending Twitter. Populis. https://populis.id/read11474/imbas-aturan-soal-kartu-bpjs-kesehatan-tagar-jokowi-the-real-dictator-dan-jokowi-harus-turun-trending-twitter
Faridy. (2019). Prosedur Pelaksanan Peralihan Hak Hak Atas Tanah Berdasarkan Hak Waris. Jurnal Keadaban, 1(1), 1–17. https://ejournal.unuja.ac.id/index.php/keadaban/article/view/912
Febrian, D. (2019). Strategi Cyber Public Relations Polda Jatim dalam Menanggulangi Ujaran Kebencian (Hate Speech) di Media Sosial. https://repository.unair.ac.id/80070/3/JURNAL_TSK.15 18 Feb s.pdf
Firmansyah, T. (2022). Beli Tanah Pakai BPJS Kesehatan, Ini Penjelasan Kementerian ATR BPN. Republika. https://news.republika.co.id/berita/r7rf4v377/beli-tanah-pakai-bpjs-kesehatan-ini-penjelasan-kementerian-atr-bpn
Giatsoglou, M., Vozalis, M. G., Diamantaras, K., Vakali, A., Sarigiannidis, G., & Chatzisavvas, K. C. (2017). Sentiment analysis leveraging emotions and word embeddings. Expert Systems With Applications, 69, 214–224. https://doi.org/10.1016/j.eswa.2016.10.043
Gil, P. (2023). What Is X (Formerly Twitter)? Lifewire. https://www.lifewire.com/what-exactly-is-twitter-2483331
Hadna, N. M. S., Santosa, P. I., & Winarno, W. W. (2016). Studi Literatur Tentang Perbandingan Metode Untuk Proses Analisis Sentimen di Twitter. Seminar Nasional Teknologi Informasi dan Komunikasi. https://www.researchgate.net/publication/292831965_Studi_Literatur_Tentang_Perbandingan_Metode_Untuk_Proses_Analisis_Sentimen_di_Twitter
Hikam, H. A. Al. (2022a). Alasan Kartu BPJS Kesehatan Jadi Syarat Jual Beli Tanah. Detik Finance. https://finance.detik.com/properti/d-5949016/alasan-kartu-bpjs-kesehatan-jadi-syarat-jual-beli-tanah
Hikam, H. A. Al. (2022b). BPJS Kesehatan Disebut “Unfaedah”, Netizen Ramai-ramai Pasang Badan. Detik Finance. https://finance.detik.com/moneter/d-5958488/
Iftikar, M. A., & Sibaroni, Y. (2022). Analisis Sentimen Twitter: Penanganan Pandemi Covid-19 Menggunakan Metode Hybrid Naïve Bayes, Decision Tree, dan Support Vector Machine. e-Proceeding of Engineering, 9(3), 1809–1816. https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/17984/17613
Jabalameli, S., Xu, Y., & Shetty, S. (2022). Spatial and sentiment analysis of public opinion toward COVID-19 pandemic using twitter data: At the early stage of vaccination. International Journal of Disaster Risk Reduction, 80. https://doi.org/10.1016/j.ijdrr.2022.103204
Jannah, N. A. Al. (2022). Trending: Polemik BPJS hingga CR7 Bakal Keluar dari MU. Data Indonesia. https://dataindonesia.id/digital/detail/trending-polemik-bpjs-hingga-cr7-bakal-keluar-dari-mu
Jurek, A., Mulvenna, M. D., & Bi, Y. (2015). Improved lexicon-based sentiment analysis for social media analytics. Security Informatics, 4(1). https://doi.org/10.1186/s13388-015-0024-x
Kanna, P. R., & Pandiaraja, P. (2019). An Efficient Sentiment Analysis Approach for Product Review using Turney Algorithm. Procedia Computer Science, 165, 356–362. https://doi.org/10.1016/j.procs.2020.01.038
Kotelnikova, A., Paschenko, D., & Razova, E. (2021). Lexicon-based methods and BERT model for sentiment analysis of Russian text corpora. Proceedings of the II International Scientific and Practical Conference “Information Technologies and Intelligent Decision Making Systems.” http://ceur-ws.org/Vol-2922/paper009.pdf
Lemdiklat Polri. (2018). Pengantar Intelligence Media Management (IMM). Jakarta: https://lemdik.polri.go.id/index.php?p=fstream&fid=5011&bid=244
Loureiro, M. L., Alló, M., & Coello, P. (2022). Hot in Twitter: Assessing the emotional impacts of wildfires with sentiment analysis. Ecological Economics, 200. https://doi.org/10.1016/j.ecolecon.2022.107502
Mailo, F. F., & Lazuardi, L. (2019). Analisis Sentimen Data Twitter Menggunakan Metode Text Mining Tentang Masalah Obesitas di Indonesia. Journal of Information Systems for Public Health, 4(1), 28–36. https://jurnal.ugm.ac.id/jisph/article/view/44455
Matulatuwa, F. M., Sediyono, E., & Iriani, A. (2017). Text mining dengan metode lexicon based untuk sentiment analysis pelayanan PT. Pos Indonesia melalui media sosial Twitter. Jurnal Masyarakat Informatika Indonesia, 2(3). https://repository.uksw.edu/bitstream/123456789/13366/5/T1_972012004_Isi.pdf
Monarizqa, N., Nugroho, L. E., & Hantono, B. S. (2014). Penerapan Analisis Sentimen Pada Twitter Berbahasa Indonesia Sebagai Pemberi Rating. Jurnal Penelitian Teknik Elektro dan Teknologi Informasi, 1(3), 151–155. http://ejpteti.jteti.ugm.ac.id/index.php/JPTETI/article/view/31/28
Mone, M. T. (2022). Ternyata Ini Alasan BPN Mensyaratkan Kartu BPJS dalam Pelayanan Pertanahan. Jaringan Pemberitaan Nusantara Negeriku (JPNN). https://www.jpnn.com/news/
Musfiroh, D., Khaira, U., Utomo, P. E. P., & Suratno, T. (2021). Analisis Sentimen terhadap Perkuliahan Daring di Indonesia dari Twitter Dataset Menggunakan InSet Lexicon. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 1(1), 24–33. https://doi.org/10.57152/malcom.v1i1.20
Ningsih, M. (2022). Tagar Cabut Aturan BPJS Trending di Twitter, Warganet: Nanggung Amat Bikin Aturan. Ruang Berita. https://ruangberita.co/news/tagar-cabut-aturan-bpjs-trending-di-twitter-warganet-nanggung-amat-bikin-aturan/index.html
Novantirani, A., Sabariah, M. K., & Effendy, V. (2015). Analisis Sentimen pada Twitter untuk Mengenai Penggunaan Transportasi Umum Darat Dalam Kota dengan Metode Support Vector Machine. e-Proceeding of Engineering, 2(1), 1177–1183. https://core.ac.uk/download/pdf/299900322.pdf
Ojeda-Hernández, M., López-Rodríguez, D., & Mora, Á. (2023). Lexicon-based sentiment analysis in texts using Formal Concept Analysis. International Journal of Approximate Reasoning, 155, 104–112. https://doi.org/10.1016/j.ijar.2023.02.001
Pemko Padang. (2020). Tak Bayar Cicilan Sampai 31 Desember 2020, Program Relaksasi BPJS Kesehatan Batal. https://padang.go.id/tak-bayar-cicilan-sampai-31-desember-2020-program-relaksasi-bpjs-kesehatan-batal
PPID ATR/BPN. (2022). Kartu BPJS Kesehatan Jadi Syarat Jual Beli Tanah Mulai 1 Maret 2022. https://ppid.atrbpn.go.id/bpn/content/details?key=kartu-bpjs-kesehatan-jadi-syarat-jual-beli-tanah-mulai-1-maret-2022
Prasetya, Y. N., Winarso, D., & Syahril. (2021). Penerapan Lexicon Based Untuk Analisis Sentimen Pada Twiter Terhadap Isu Covid-19. Jurnal Fasilkom, 11(2), 97–103. https://ejurnal.umri.ac.id/index.php/JIK/article/view/2772/1566
Pusat Kajian Anggaran DPR RI. (2017). Badan Penyelenggara Jaminan Sosial (BPJS). https://berkas.dpr.go.id/puskajianggaran/kamus/file/kamus-235.pdf
Qiu, J., Lin, Z., & Shuai, Q. (2019). Investigating the opinions distribution in the controversy on social media. Information Sciences, 489, 274–288. https://doi.org/10.1016/j.ins.2019.03.041
Rahanto, F. F., & Kharisudin, I. (2021). Analisis Sentimen Data Ulasan Menggunakan Metode Naive Bayes Studi Kasus The Wujil Resort & Conventions Pada Situs Tripadvisor. Unnes Journal of Mathematics, 10(1), 55–62. https://journal.unnes.ac.id/sju/index.php/ujm/article/view/44683
Retnaningsih, H. (2021). Permasalahan Kenaikan Iuran BPJS Kesehatan Yang Memberatkan Masyarakat. Info Singkat (Bidang Kesejahteraan Sosial, Kajian Singkat Terhadap Isu Aktual dan Strategis), 13(1), 13–17. https://berkas.dpr.go.id/puslit/files/info_singkat/Info Singkat-XIII-1-I-P3DI-Januari-2021-175.pdf
Ridhwan, K. M., & Hargreaves, C. A. (2021). Leveraging Twitter data to understand public sentiment for the COVID?19 outbreak in Singapore. International Journal of Information Management Data Insights, 1(2). https://doi.org/10.1016/j.jjimei.2021.100021
Rosenberg, E., Tarazona, C., Mallor, F., Eivazi, H., Pastor-Escuredo, D., Fuso-Nerini, F., & Vinuesa, R. (2023). Sentiment analysis on Twitter data towards climate action. Results in Engineering, 19, 101287. https://doi.org/10.1016/j.rineng.2023.101287
Rusdiaman, D., & Rosiyadi, D. (2019). Analisa Sentimen Terhadap Tokoh Publik Menggunakan Metode Naïve Bayes Classifier dan Support Vector Machine. CESS (Journal of Computer Engineering System and Science), 4(2), 230–235. https://jurnal.unimed.ac.id/2012/index.php/cess/article/view/13796
Sa’rony, A., Adikara, P. P., & Wihandika, R. C. (2019). Analisis Sentimen Kebijakan Pemindahan Ibukota Republik Indonesia dengan Menggunakan Algoritme Term-Based Random Sampling dan Metode Klasifikasi Naïve Bayes. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(10), 10086–10094. https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/6644
Sartika, D. (2023). Implementasi Algoritma K-Nearest Neighbour dalam Menganalisis Sentiment Terhadap Program Merdeka Belajar Kampus Merdeka (MBKM). Jurnal Buana Informatika, 14(1), 69–76. https://doi.org/10.24002/jbi.v14i01.7178
Satria, S. R. (2023). Implementasi Kartu BPJS Sebagai Syarat Peralihan Hak Atas Tanah Berdasarkan Inpres Nomor 1 Tahun 2022 di Kabupaten Magelang. Fakultas Hukum Universitas Islam Indonesia Yogyakarta. https://dspace.uii.ac.id/bitstream/handle/123456789/45023/18410710-Sulthan Rafii Satria-Implementasi Kartu BPJS Sebagai Syarat Peralihan Hak Atas Tanah Berdasarkan Inpres Nomor 1 Tahun 2022 Di Kabupaten Magelang...pdf?sequence=1&isAllowed=y
Shihab, A. N. (2018). Hadirnya Negara di Tengah Rakyatnya Pasca Lahirnya Undang-Undang Nomor 24 Tahun 2011 Tentang Badan Penyelenggara Jaminan Sosial. Jurnal Legislasi Indonesia, 9(2), 175–190. https://e-jurnal.peraturan.go.id/index.php/jli/article/view/384
Sudiantoro, A. V., & Zuliarso, E. (2018). Analisis Sentimen Twitter Menggunakan Text Mining dengan Algoritma Naïve Bayes Classifier. Prosiding SINTAK (Seminar Nasional Teknologi Informasi dan Aplikasi Komputer), 398–401. https://www.unisbank.ac.id/ojs/index.php/sintak/article/view/6649
Syamsinar, S., Batara, A. S., & Amelia, A. R. (2021). Gambaran Kemampuan Membayar Iuran BPJS Kesehatan pada Pedagang di Pasar Terong Kota Makassar. Window of Public Health Journal, 1(6), 797–807. https://doi.org/10.33096/woph.v1i6.333
Taboada, M., Brooke, J., Tofilosk, M., Voll, K., & Stede, M. (2011). Lexicon-Based Methods for Sentiment Analysis. Computational Linguistics, 37(2). https://doi.org/10.1162/COLI_a_00049
Undap, M. G., Rantung, V. P., & Rompas, P. T. D. (2021). Analisis Sentimen Situs Pembajak Artikel Penelitian Menggunakan Metode Lexicon-Based. Jointer - Journal of Informatics Engineering, 2(2), 39–46. https://doi.org/10.53682/jointer.v2i02.44
Widyatnyana, K. N., Rasna, I. W., & Putrayasa, I. B. (2023). Analisis Jenis dan Makna Pragmatik Ujaran Kebencian di Dalam Media Sosial Twitter. Jurnal Pendidikan dan Pembelajaran Bahasa, 12(1), 68–78. https://doi.org/10.23887/jurnal_bahasa.v12i1.2216
Wikarsa, L., Angdresey, A., & Kapantow, J. D. (2022). Implementasi Metode Naïve Bayes dan Lexicon-Based Approach Untuk Mengklasifikasi Sentimen Netizen Pada Tweet Berbahasa Indonesia. Jurnal Ilmiah Realtech, 18(1), 15–24. https://doi.org/10.52159/realtech.v18i1.5
Yutika, C. H., Adiwijaya, A., & Faraby, S. Al. (2021). Analisis Sentimen Berbasis Aspek pada Review Female Daily Menggunakan TF-IDF dan Naïve Bayes. Jurnal Media Informatika Budidarma, 5(2), 422–430. https://doi.org/10.30865/mib.v5i2.2845
Copyright (c) 2023 Ridho Darman
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
