ANALISIS SENTIMEN PUBLIK KRISIS EKONOMI UNTUK INOVASI PRODUK ASURANSI: PERBANDINGAN LEXICON DAN SVM PADA MEDIA SOSIAL
DOI:
https://doi.org/10.31849/wkvyys66Keywords:
Analisis Sentimen, Inovasi Produk Asuransi, Lexicon - Based, Support Vector Machine, Media SosialAbstract
Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap isu ekonomi dan asuransi sebagai dasar dalam mengidentifikasi peluang inovasi produk asuransi yang sesuai dengan kebutuhan masyarakat. Data dikumpulkan dari dua platform media sosial, yaitu Twitter dan YouTube, melalui metode web scraping menggunakan bahasa pemrograman Python, dengan total 18.530 tweet dan 233.782 komentar. Analisis sentimen dilakukan menggunakan dua pendekatan, yakni berbasis lexicon dan machine learning dengan algoritma Support Vector Machine (SVM). Hasil analisis berbasis lexicon menunjukkan dominasi sentimen positif, namun disertai tingkat akurasi dan presisi yang rendah, bahkan setelah dilakukan perluasan kamus manual yang disesuaikan dengan konteks bahasa media sosial. Temuan ini menunjukkan keterbatasan metode lexicon dalam menangkap konteks semantik secara menyeluruh. Sebaliknya, pendekatan berbasis SVM menghasilkan performa yang jauh lebih baik, dengan tingkat akurasi sebesar 98% untuk data Twitter dan 96,7% untuk data YouTube. Berdasarkan hasil confusion matrix, model paling akurat dalam mengidentifikasi sentimen negatif, sedangkan akurasi untuk sentimen positif dan netral relatif lebih rendah akibat ketidakseimbangan kelas (class imbalance). Secara umum, hasil penelitian menunjukkan bahwa sentimen negatif mendominasi kedua platform, mencerminkan adanya ketidakpuasan dan kekhawatiran publik terhadap kondisi ekonomi saat ini. Meskipun demikian, sebagian kecil sentimen positif mengindikasikan apresiasi dan dukungan terhadap upaya di sektor asuransi. Temuan ini memberikan implikasi penting bagi pengembangan inovasi produk asuransi yang lebih berorientasi pada kebutuhan konsumen. Dengan demikian, pemahaman terhadap persepsi publik di media sosial dapat menjadi landasan strategis dalam merancang produk asuransi yang lebih inklusif, transparan, dan relevan bagi masyarakat digital.
References
[1] CNBC Indonesia, “Ramalan Bank Dunia: Negara ini bisa jatuh ke jurang krisis pada 2025. CNBC Indonesia,” 2025. https://www.cnbcindonesia.com/news/20250621155135-4-642789/ramalan-bank-dunia-negara-ini-bisa-jatuh-ke-jurang-krisis-pada-2025.
[2] Badan Pusat Statistik, “Keadaan ketenagakerjaan Indonesia Februari 2025 (Berita Resmi Statistik No. 44/05/Th.XXVIII),” 2025. https://www.bps.go.id/id/pressrelease/2025/05/05/2432/tingkat-pengangguran-terbuka--tpt--sebesar-4-76-persen--rata-rata-upah-buruh-sebesar-3-09-juta-rupiah-.html.
[3] Badan Pusat Statistik, “Inflasi terjadi pada Juni 2022 sebesar 0,61 persen: Inflasi tertinggi terjadi di Gunungsitoli sebesar 2,72 persen,” 2022. https://www.bps.go.id/id/pressrelease/2022/07/01/1862/inflasi-terjadi-pada-juni-2022-sebesar-0-61-persen--inflasi-tertinggi-terjadi-di-gunungsitoli-sebesar-2-72-persen-.html.
[4] M. Eling and M. Lehmann, “The impact of digitalization on the insurance value chain and the insurability of risks,” Geneva Pap. risk Insur. Pract., vol. 43, no. 3, pp. 359–396, 2018.
[5] E. Kırkbeşoğlu, “How Digitalization Affects Insurance Companies: Current Status And Future Expectations,” Sivas Soft Bilisim Proje Danismanlik Egit. Sanayi ve Ticaret Ltd. Sirketi, vol. 1, pp. 32–43, 2021, doi: 10.52898/ijif.2021.4.
[6] K. Kristianto, A. B. Ramadhan, and F. D. Marsetyo, “Media sosial dan connective action: Studi kasus penggunaan Twitter sebagai ruang solidaritas selama pandemi COVID-19,” J. Soc. Dev. Stud., vol. 2, no. 1, pp. 1–13, 2021.
[7] S. Alim and A. F. Dharma, “Youtube Sebagai Ruang Publik Alternatif Bagi Anak Muda,” Expo. J. Ilmu Komun., vol. 4, no. 1, pp. 1–13, 2021.
[8] Rumah Media, “Daftar jumlah pengguna media sosial Indonesia terbaru: Siapa yang paling banyak?,” 2025. https://www.rumahmedia.com/insights/daftar-jumlah-pengguna-media-sosial-indonesia-terbaru-siapa-yang-paling-banyak.
[9] S. Stieglitz, M. Mirbabaie, B. Ross, and C. Neuberger, “Social media analytics–Challenges in topic discovery, data collection, and data preparation,” Int. J. Inf. Manage., vol. 39, pp. 156–168, 2018.
[10] W. Medhat, A. Hassan, and H. Korashy, “Sentiment analysis algorithms and applications: A survey,” Ain Shams Eng. J., vol. 5, no. 4, pp. 1093–1113, 2014.
[11] I. Srba et al., “Auditing YouTube’s recommendation algorithm for misinformation filter bubbles,” ACM Trans. Recomm. Syst., vol. 1, no. 1, pp. 1–33, 2023.
[12] A. K. Nassirtoussi, S. Aghabozorgi, T. Y. Wah, and D. C. L. Ngo, “Text mining for market prediction: A systematic review,” Expert Syst. Appl., vol. 41, no. 16, pp. 7653–7670, 2014.
[13] L. Zhang, S. Wang, and B. Liu, “Deep learning for sentiment analysis: A survey,” Wiley Interdiscip. Rev. data Min. Knowl. Discov., vol. 8, no. 4, p. e1253, 2018.
[14] Y. Azhar, “Metode Lexicon-Learning Based Untuk Identifikasi Tweet Opini Berbahasa Indonesia,” J. Nas. Pendidik. Tek. Inform. JANAPATI, vol. 6, no. 3, pp. 237–242, 2017.
[15] M. Ahmad, M. F. Octaviansyah, A. Kardiana, and K. F. Prasetyo, “Sentiment Analysis System of Indonesian tweets using lexicon and naïve Bayes approach,” in 2019 Fourth International Conference on Informatics and Computing (ICIC), 2019, pp. 1–5.
[16] F. Koto and G. Y. Rahmaningtyas, “Inset lexicon: Evaluation of a word list for Indonesian sentiment analysis in microblogs,” in 2017 International Conference on Asian Language Processing (IALP), 2017, pp. 391–394.
[17] B. Pamungkas, M. E. Purbaya, and D. J. AK, “Analisis Sentimen Twitter Menggunakan Metode Support Vector Machine (SVM) pada Kasus Benih Lobster 2020,” J. Informatics Inf. Syst. Softw. Eng. Appl., vol. 3, no. 2, pp. 10–20, 2021.
[18] N. Istiqomah and F. Novika, “Sentiment Analysis Penyedia layanan Asuransi dari Media Sosial Twitter,” J. Tekno Kompak, vol. 18, no. 1, pp. 77–89, 2024.
[19] N. Istiqomah and F. Novika, “Extracting Post‑Disaster Health Impact Information from News Reports Using Named Entity Recognition,” J. Informatics, Inf. Syst. Softw. Eng. Appl., vol. 7, no. 2, pp. 163–172, 2025.
[20] N. Istiqomah, F. Novika, and S. Tinggi Manajemen Asuransi Trisakti, “Perbandingan Kinerja Model NER IndoBERT dan IndoLEM dalam Ekstraksi Informasi Kesehatan Pascabencana dari Berita Daring di Indonesia Comparative Performance of IndoBERT and IndoLEM Baseline Models for Post-Disaster Health Information Extraction from Indonesian Online News,” J. Comput. Sci. Informatics Eng., vol. 04, no. 3, pp. 158–174, 2025, [Online]. Available: http://creativecommons.org/licenses/by-sa/4.0/.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 ZONAsi: Jurnal Sistem Informasi
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
CC BY-SA 4.0
Attribution-ShareAlike 4.0
You are free to:
- Share — copy and redistribute the material in any medium or format for any purpose, even commercially.
- Adapt — remix, transform, and build upon the material for any purpose, even commercially.
- The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
- Attribution — You must give appropriate credit , provide a link to the license, and indicate if changes were made . You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
- ShareAlike — If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
- No additional restrictions — You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation .
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
