REPUBLIKA.CO.ID, JAKARTA -- Jakarta dikenal dengan tingkat kemacetan yang tinggi, terutama dalam jam-jam sibuk. Pemerintah Provinsi DKI Jakarta telah mencoba berbagai cara untuk mengatasi masalah ini, salah satunya dengan penerapan kebijakan ganjil genap pada plat nomor kendaraan. Kebijakan ini bertujuan untuk mengurangi jumlah kendaraan di jalan pada waktu-waktu tertentu, dengan harapan dapat mengurangi kemacetan.
Namun, seperti banyak kebijakan publik lainnya, penerapan sistem ganjil genap menimbulkan berbagai reaksi dari masyarakat. Di era digital ini, media sosial, khususnya Twitter, telah menjadi platform utama bagi masyarakat untuk mengekspresikan pandangan mereka.
Menurut Nanang Ruhyana, dosen program studi (prodi) Sains Data Universitas Nusa Mandiri, melalui tweet, pengguna Twitter dapat dengan bebas menyampaikan pendapat mereka, baik positif maupun negatif, terhadap kebijakan tersebut.
Menariknya, opini-opini ini dapat dianalisis secara sistematis untuk memahami sentimen publik secara keseluruhan.
Sains data telah memberikan dampak besar dalam cara menganalisis dan memahami data, terutama dalam jumlah yang sangat besar. Sebelumnya, menganalisis data dalam skala besar adalah tantangan yang rumit dan memakan waktu. Namun, dengan perkembangan teknologi sains data, proses ini menjadi lebih efisien dan akurat.
Metode dan alat yang digunakan dalam sains data memungkinkan pengolahan data secara lebih cepat, serta memberikan wawasan yang lebih mendalam dan terperinci.
Salah satu metode dalam sains data yang digunakan untuk menganalisis data teks dari media sosial adalah text mining. Metode ini memungkinkan identifikasi pola, tren, dan sentimen dalam teks yang dihasilkan oleh pengguna internet.
Dengan text mining, analisis data teks yang sebelumnya sulit dan kompleks kini dapat dilakukan dengan lebih efektif, sehingga memperkaya wawasan yang diperoleh dari data besar dan membantu dalam pengambilan keputusan strategis yang lebih akurat.
Penelitian yang dilakukan dosen Kampus Digital Bisnis Universitas Nusa Mandiri (UNM) ini dilakukan berdasarkan opini pengguna media sosial terhadap penerapan kebijakan sistem ganjil genap di Jakarta dengan. Algoritma Naive Bayes sering digunakan dalam klasifikasi teks karena kemampuannya untuk memberikan hasil yang akurat dalam mengelompokkan data teks berdasarkan probabilitas.
Penelitian ini mengumpulkan data dari Twitter menggunakan API Twitter. Tweet yang mengandung hashtag #ganjilgenap dikumpulkan selama periode tertentu dan kemudian dianalisis untuk mengidentifikasi sentimen publik. Langkah pertama dalam proses ini adalah preprocessing, di mana data dibersihkan dari elemen-elemen yang tidak relevan seperti URL, emoticon, dan karakter khusus.
Setelah data dibersihkan, langkah berikutnya adalah pemilihan fitur, di mana fitur-fitur penting seperti unigram dan negation diekstraksi. Fitur-fitur ini kemudian digunakan dalam proses klasifikasi dengan algoritma Naive Bayes untuk menentukan apakah tweet tersebut memiliki sentimen positif atau negatif.
Hasil analisis menunjukkan bahwa mayoritas tweet yang dianalisis memiliki sentimen positif terhadap kebijakan ganjil genap. Secara spesifik, 86,67 persen dari tweet tersebut diklasifikasikan sebagai positif, sementara sisanya, 13,33 persen, memiliki sentimen negatif. Hasil ini menunjukkan bahwa meskipun ada kritik terhadap kebijakan tersebut, sebagian besar masyarakat mendukung penerapan sistem ganjil genap sebagai solusi untuk mengurangi kemacetan di Jakarta.
Analisis ini juga mengungkapkan bahwa precision dari model klasifikasi mencapai 71,43 persen, dengan recall sebesar 80,00 persen. Ini berarti bahwa model Naive Bayes yang digunakan cukup efektif dalam mengidentifikasi sentimen publik dari data Twitter, memberikan gambaran yang akurat tentang bagaimana masyarakat Jakarta menilai kebijakan ini.
Hasil penelitian ini memiliki implikasi penting bagi pembuat kebijakan di Jakarta. Dengan memahami sentimen publik, pemerintah dapat mengevaluasi kembali kebijakan ganjil genap dan membuat penyesuaian yang diperlukan untuk meningkatkan efektivitasnya. Misalnya, jika sentimen negatif sebagian besar terkait dengan kekhawatiran akan kurangnya alternatif transportasi, pemerintah dapat mempertimbangkan untuk meningkatkan layanan transportasi umum sebagai solusi tambahan.
Selain itu, analisis ini menunjukkan bahwa sentimen publik dapat dipantau secara real-time menggunakan sains data, memungkinkan pembuat kebijakan untuk merespons perubahan opini publik dengan lebih cepat dan tepat. Dengan demikian, pendekatan ini tidak hanya membantu dalam mengukur keberhasilan kebijakan saat ini, tetapi juga dalam merancang kebijakan yang lebih baik di masa depan.
Penulis: Nanang Ruhyana, dosen Prodi Sains Data Universitas Nusa Mandiri
Ikuti Whatsapp Channel Republika