Optimasi Analisis Sentimen terhadap Kinerja Direktorat Jenderal Pajak Indonesia Melalui Teknik Oversampling dan Seleksi Fitur Particle Swarm Optimization

Abstract

Dalam domain kebijakan publik dan tata kelola pemerintahan, isu perpajakan senantiasa menjadi perhatian khusus di kalangan masyarakat. Dengan tujuan mendapatkan pemahaman yang lebih mendalam tentang pandangan publik terhadap performa Direktorat Jenderal Pajak Indonesia, penelitian ini mengadopsi pendekatan analisis sentimen, menggunakan dataset komentar yang terkumpul dari platform media sosial YouTube. Salah satu kendala signifikan yang dihadapi dalam analisis ini adalah ketidakseimbangan data sentimen komentar, dengan dominasi sentimen positif atau negatif. Dengan demikian, kami menerapkan teknik SMOTE oversampling dan Particle Swarm Optimization (PSO) sebagai strategi seleksi fitur, sebagai bagian dari upaya meningkatkan kualitas model analisis sentimen. SMOTE akan membuat data sintetis dari kelas minoritas sehingga data train akan berimbang dan tidak menghasilkan model yang mengandung bias yang disebabkan ketidak seimbangan data. Selanjutnya dilakukan pemilihan fitur yang dianggap memuat informasi penting untuk meningkatkan performa dari suatu model.

Metode ini terbukti efektif, khususnya pada skenario dengan pembagian data latih sebanyak 70%. Di sini, nilai recall meningkat dari 0.47 menjadi 0.52, sebuah peningkatan yang signifikan dalam mendeteksi sentimen minoritas yang seringkali terabaikan dalam studi sejenis. Selain itu, teknik seleksi fitur menggunakan PSO, dengan menggunakan nilai F1 sebagai kriteria pbest, menghasilkan peningkatan substansial pada semua metrik evaluasi: akurasi mencapai 0.93, recall 0.63, presisi 0.70, dan F1 score 0.66. Ini menunjukkan keefektifan metode tersebut dalam memodelkan berbagai aspek sentimen terhadap perpajakan di Indonesia.