Respons Opini Publik terhadap Kebijakan Penggunaan Face Recognition Technology oleh PT. Kereta Api Indonesia
Abstract
Media sosial telah menjadi ruang publik digital di mana publik bisa berpartisipasi secara aktif untuk mengekspresikan
opini publik terkait berbagai isu, salah satunya isu yang tengah diperbincangkan di media sosial saat ini adalah
kebijakan penggunaan face recognition technology yang diterapkan oleh PT Kereta Api Indonesia (PT. KAI).
Penelitian ini memiliki tujuan untuk menggambarkan respons publik dengan melihat sentimen umum opini publik,
gambaran perubahan sentimen opini publik, dan topik pembahasan dalam sentimen publik terhadap kebijakan
penggunaan face recognition technology oleh PT. KAI (Persero). Penelitian ini merupakan penelitian kuantitatif
dengan teknik analisis data analisis isi teks. Data diperoleh dari media sosial Twitter dengan teknik crawling data dan
didapatkan sebanyak 516 tweets dari pengguna media sosial Twitter (X) yang melakukan interaksi dengan
mengunggah tweet berkaitan dengan kebijakan face recognition technology oleh PT. KAI (Persero). Hasil dari
penelitian ini menunjukkan gambaran sentimen publik terhadap kebijakan penggunaan face recognition technology
oleh PT. KAI didominasi oleh sentimen negatif sebesar 35.5% yang menunjukkan masyarakat yang belum siap akan
hadirnya face recognition technology pada proses boarding kereta api. Ditemukan juga perubahan sentimen yang
awalnya didominasi sentimen positif berubah menjadi netral lalu diakhiri dengan dominasi sentimen negatif. Terdapat
10 topik pembahasan berdasarkan hasil topic modelling.
Kata Kunci-media sosial, analisis sentimen, opini publik, topic modelling, Naïve Bayes Claasifier
References
Badan Pusat Statistik. (2023). Jumlah Penumpang Kereta Api (Ribu Orang), 2023. https://www.bps.go.id/id/statisticstable/
/NzIjMg==/jumlah-penumpang-kereta-api.html
Booranakittipinyo, A., Li, R. Y. M., & Phakdeephirot, N. (2024). Travelers’ perception of smart airport facilities: An
X (Twitter) sentiment analysis. Journal of Air Transport Management, 118(January 2023), 102600.
https://doi.org/10.1016/j.jairtraman.2024.102600
Dharmapatni, P. M. N., & Merawati, N. L. (2020). Penerapan Algoritma Support Vector Machine Dalam Sentimen
Analisis Terkait Kenaikan Tarif BPJS Kesehatan. Jurnal Bumigora Information Technology (BITe), 2(2), 105–
https://doi.org/10.30812/bite.v2i2.904
Heath, R. L., & O’Hair, H. D. (2010). Handbook of risk and crisis communication. In Handbook of Risk and Crisis
Communication. https://doi.org/10.4324/9780203891629
Karamouzas, D., Mademlis, I., & Pitas, I. (2022). Public opinion monitoring through collective semantic analysis of
tweets. Social Network Analysis and Mining, 12(1), 1–21. https://doi.org/10.1007/s13278-022-00922-8
Kemp, S. (2023). Digital 2023: Indonesia 4 DataReportal 3 Global Digital Insights.
https://datareportal.com/reports/digital-2023-indonesia
Pandur, M. B., & Dobša, J. (2020). Topic modelling in social sciences: Case study of Web of Science. Central
European Conference on Information and Intelligent Systems, October, 211–218.
http://archive.ceciis.foi.hr/app/public/conferences/2020/Proceedings/IIS/IIS2.pdf
Risch, J., & Thorselius, E. (2016). Detecting Twitter topics using Latent Dirichlet Allocation. Uptec It, 16001, 48.
http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-277260
Salma, A. N. (2022). Analyzing Online Public Sentiment Toward Corporate Crisis in the Age of Big Data and
Automation. The Journal of Society and Media, 6(1), 188–206. https://doi.org/10.26740/jsm.v6n1.p188-206
Samsu. (2017). Metode penelitian: teori dan aplikasi penelitian kualitatif, kuantitatif, mixed methods, serta research
& development. In Diterbitkan oleh: Pusat Studi Agama dan Kemasyarakatan (PUSAKA).
Sarkar, D. (2016). Text Analytics with Python : a practical real-world approach to gaining actionable insights from
your data. Apress. https://doi.org/10.1140/epja/i2006-10279-1
Sharif, M. M. M., Maskat, R., Baharum, Z., & Maskat, K. (2023). A scoping review of topic modelling on online data.
Indonesian Journal of Electrical Engineering and Computer Science, 31(3), 1633–1641.
