ANALISIS SENTIMEN TERHADAP DIREKTORAT JENDERAL PAJAK MENGGUNAKAN ALGORITMA NAIVE BAYES DENGAN HYBRID ADAPTIVE BOOSTING

Trisnawati, Ni Nyoman and Angdresey, Apriandy and Pandelaki, Steven (2023) ANALISIS SENTIMEN TERHADAP DIREKTORAT JENDERAL PAJAK MENGGUNAKAN ALGORITMA NAIVE BAYES DENGAN HYBRID ADAPTIVE BOOSTING. Skripsi thesis, UNIVERSITAS KATOLIK DE LA SALLE MANADO.

	PDF COVER-DAFTAR_ISI_NiTrisnawati.pdf Download (354kB)
	PDF BAB_ISI-LAMPIRAN_NiTrisnawati.pdf Restricted to Repository staff only Download (2MB)

Official URL: https://digilib.unikadelasalle.ac.id/

Abstract

Direktorat Jenderal Pajak atau DJP merupakan unit kerja di bawah Kementrian Keuangan yang bertanggung jawab dalam pemungutan dan pengelolaan pajak di Indonesia. Selama periode tahun 2022 hingga 2023, DJP menjadi topik yang ramai diperbincangkan di platform Twitter. Berbagai opini muncul mengenai DJP, termasuk opini positif dan negatif, yang bahkan mencapai trending topic. Kondisi ini mendorong DJP untuk melakukan evaluasi terhadap berbagai aspek yang penting, seperti keluhan umum masyarakat, tingkat kepuasan pelayanan, efektivitas program penyuluhan, dan efektivitas upaya dalam bidang kehumasan.
Naive Bayes merupakan metode klasifikasi dalam machine learning untuk menyelesaikan masalah pengambilan keputusan dengan tingkat akurasi dan kecepatan yang tinggi sehingga dapat digunakan dalam menganalisis opini dari masyarakat. Adaptive boosting (AdaBoost) adalah metode boosting untuk mengoptimalkan model klasifikasi yang digunakan dengan memberikan bobot pada data latih yang salah diklasifikasikan oleh model sebelumnya.
Implementasi Naive Bayes dengan Hybrid AdaBoost tidak konsisten dalam meningkatkan akurasi analisis sentimen terhadap DJP. Terdapat variasi dalam hasil yang diperoleh, dengan beberapa kategori mencapai akurasi, presisi, dan recall tertinggi, tetapi tidak secara merata di semua kategori. Hasil yang diperoleh dari pengujian terhadap aplikasi analisis sentimen terhadap DJP, diperoleh akurasi terbaik diperoleh pada partisi data 60:40, 70:30 dan 80:20 pada kategori Penyuluhan dan Pelayanan yaitu sebesar 100%, presisi tertinggi pada partisi 60:40 dan 80:20 pada kategori Pelayanan dan Penyuluhan sebesar 100%, dan recall pada partisi 70:30 kategori Penyuluhan sebesar 100% dengan total keseluruhan 3.512 data.

Kata kunci: Klasifikasi, Analisis Sentimen, Naive Bayes, Hybrid AdaBoost, DJP.

Item Type:

Thesis (Skripsi)

Creators: