Analisis Sentimen Publik Terhadap Kebijakan Ppn 12% Di Indonesia Menggunakan Representasi Tf-Idf Dan Algoritma K-Nearest Neighbor (KNN)

Syaifudin, Muhammad (2025) Analisis Sentimen Publik Terhadap Kebijakan Ppn 12% Di Indonesia Menggunakan Representasi Tf-Idf Dan Algoritma K-Nearest Neighbor (KNN). undergraduate thesis, Universitas Muhammadiyah Gresik.

	Text 2025_TA_210602002_Halaman Pernyataan Keaslian.pdf Download (236kB)
	Text 2025_TA_210602002_Halaman Pernyataan Persetujuan Skripsi.pdf Download (511kB)
	Text 2025_TA_210602002_Halaman Pengesahan Skripsi.pdf Download (344kB)
	Text 2025_TA_210602002_Halaman Pernyataan Persetujuan Publikasi Karya Ilmiah.pdf Download (526kB)
	Text 2025_TA_210602002_Halaman Judul.pdf Download (328kB)
	Text 2025_TA_210602002_Bab 1.pdf Download (151kB)
	Text 2025_TA_210602002_Bab 2.pdf Download (364kB)
	Text 2025_TA_210602002_Bab 3.pdf Restricted to Repository staff only until 30 July 2035. Download (751kB)
	Text 2025_TA_210602002_Bab 4.pdf Restricted to Repository staff only until 30 July 2035. Download (644kB)
	Text 2025_TA_210602002_Bab 5.pdf Download (122kB)
	Text 2025_TA_210602002_Daftar Pustaka.pdf Download (209kB)
	Text 2025_TA_210602002_Lampiran.pdf Download (695kB)

Abstract

Kenaikan tarif Pajak Pertambahan Nilai (PPN) dari 11% menjadi 12% pada tahun 2025, sesuai dengan Undang-Undang Nomor 7 Tahun 2021, telah memicu perdebatan terkait dampaknya terhadap perekonomian, khususnya harga barang dan daya beli. Platform media sosial X menjadi salah satu saluran utama dalam menyebarkan opini publik mengenai kebijakan ini, namun tantangan utama terletak pada volume data besar dan variasi bahasa yang digunakan, yang sulit dianalisis secara manual. Penelitian ini bertujuan mengembangkan sistem berbasis Algoritma K-Nearest Neighbor (KNN) untuk menganalisis sentimen masyarakat terhadap kenaikan tarif PPN 12%. Hasil penelitian menunjukkan bahwa pemilihan nilai K memengaruhi kinerja model. Dengan nilai K = 3, model menghasilkan performa terbaik dengan akurasi 74,55%, precision 61%, recall 66%, dan F1-score 62%. Pada K = 5, akurasi turun menjadi 70,91% dengan precision 60%, recall 66%, dan F1-score 60%. Sementara pada K = 7, akurasi menurun lebih jauh menjadi 69,09%, dengan precision 59%, recall 65%, dan F1-score 58%. Temuan ini menegaskan pentingnya pemilihan nilai K yang tepat untuk menghasilkan klasifikasi sentimen yang akurat dan seimbang. Hasil penelitian ini diharapkan dapat membantu pemerintah dalam merespons kebijakan secara lebih tepat dan efektif

Item Type:	Thesis (undergraduate)
Uncontrolled Keywords:	PPN, Kenaikan Tarif, Sentimen Masyarakat, X, Algoritma K-Nearest Neighbor (KNN)
Subjects:	Engineering > Informatics Engineering Engineering
Divisions:	Faculty of Engineering > Informatics Engineering Study Program
Depositing User:	Muhammad Syaifudin
Date Deposited:	04 Nov 2025 06:02
Last Modified:	04 Nov 2025 06:02
URI:	http://eprints.umg.ac.id/id/eprint/14594

Actions (login required)

View Item