Polarisasi Sentimen dalam Isu Subsidi Mobil Listrik

Rahmawati, Aulia Fitriana and Prof. Anang Sujoko, S.Sos., M.Si., D.COMM. (2024) Polarisasi Sentimen dalam Isu Subsidi Mobil Listrik. Sarjana thesis, Universitas Brawijaya.

Abstract

Polarisasi sentimen akan hadir seiring dengan meningkatnya komunikasi yang dilakukan oleh individu, terutama dalam media sosial Twitter karena cepatnya penyebaran informasi dan adanya kecenderungan untuk mempertahankan keyakinan serta pendapatnya masing-masing. Salah satunya seperti adanya perdebatan yang berhasil masuk ke trending topic Twitter dalam lingkup kebijakan publik mengenai wacana subsidi mobil listrik yang ramai diberitakan media online pada 15 Desember 2022. Adapun tujuan dari penelitian ini adalah untuk mengetahui sentimen negatif dan positif yang terjadi dalam wacana subsidi mobil listrik serta menjelaskan polarisasi dalam sentimen tersebut. Sampel dalam penelitian ini adalah 3.501 tweet dari 1.674 pengguna Twitter, dengan menggunakan teknik sampling jenuh. Data dikumpulkan dengan metode text mining berdasarkan kata kunci “subsidi mobil listrik” dan “insentif mobil listrik” yang diunggah mulai tanggal 15 Desember 2022 hingga 20 Desember 2022. Data yang terkumpul akan melewati proses analisis sentimen dengan algoritma Naïve Bayes melalui aplikasi Rapidminer Studio versi 10.0. Dengan keakuratan klasifikasi sebesar 96,1%, pembicaraan mengenai wacana subsidi mobil listrik didominasi oleh tweet yang memiliki sentimen positif sebanyak 51,2% (1.794 tweet). Disusul oleh sentimen negatif 31,2% (1.092 tweet) dan sentimen netral sebanyak 17,6% (615 tweet). Visualisasi wordcloud mengungkapkan adanya kata-kata yang berlawanan, yang mencerminkan polarisasi antara sentimen positif dan negatif. Selain itu, penggambaran jaringan mention juga menunjukkan bahwa pengguna Twitter cenderung berinteraksi dengan orang-orang yang memiliki sentimen serupa yang memperparah kondisi polarisasi.

English Abstract

Sentiment polarization is a natural outcome of increased communication among individuals, especially on social media platforms like Twitter. This is due to the rapid spread of information and the tendency to reinforce personal beliefs and opinions. A notable example is the debate that managed to enter Indonesia's trending topic in the realm of public policy regarding the discourse on electric car subsidies, which was widely reported in online media on 15 December 2022. This research, conducted with thoroughness and precision, aims to determine the negative and positive sentiments in the discourse on electric car subsidies and explain sentiment polarization. The sample in this study consisted of 3,501 tweets from 1,674 Twitter users, using a saturated sampling technique. Data was collected using a text mining method based on the keywords "electric car subsidy" and "electric car incentive" uploaded from 15 December to 20 December 2022. The collected data will undergo a sentiment analysis with the Naïve Bayes algorithm via the Rapidminer Studio application version 10.0. With a classification accuracy of 96.1%, the discussion regarding the discourse on electric car subsidies was dominated by tweets with positive sentiment at 51.2% (1,794 tweets), followed by negative sentiment at 31.2% (1,092 tweets) and neutral sentiment at 17.6% (615 tweets). Through word cloud visualization, opposing words were identified, highlighting the polarization in positive and negative sentiment. Additionally, the depiction of the mention network shows that Twitter users tend to interact with others who share similar sentiments, which exacerbates the polarization.

Item Type:	Thesis (Sarjana)
Identification Number:	052411
Uncontrolled Keywords:	Polarisasi Sentimen, Analisis Sentimen, Kebijakan Subsidi Mobil listrik, Media Sosial Twitter, dan Algoritma Naïve Bayes
Divisions:	Fakultas Ilmu Sosial dan Ilmu Politik > Ilmu Komunikasi
Depositing User:	S Sucipto
Date Deposited:	31 Jan 2025 02:06
Last Modified:	31 Jan 2025 02:06
URI:	http://repository.ub.ac.id/id/eprint/235457

Text (DALAM MASA EMBARGO) Aulia Fitriana Rahmawati.pdf Restricted to Registered users only Download (4MB)

Actions (login required)

View Item