Analisis Sentimen Pengguna Coretax Pada Media Sosial menggunakan Decision Tree dan Adaptive Boosting

Abstract

Implementasi sistem administrasi perpajakan digital terbaru di Indonesia, Coretax, memicu beragam opini dan keluhan dari masyarakat di media sosial. Komentar publik dalam jumlah besar dan tidak terstruktur menyulitkan pihak otoritas dalam mengevaluasi layanan secara manual. Penelitian ini bertujuan melakukan analisis sentimen terhadap komentar pengguna Coretax di platform X (Twitter) dan Instagram untuk mengelompokkan opini ke dalam kategori positif, negatif, dan netral. Metode yang digunakan adalah algoritma Decision Tree yang dioptimasi dengan teknik ensemble learning Adaptive Boosting (AdaBoost). Tahapan penelitian meliputi web scraping, preprocessing teks (termasuk normalisasi slang dan negation merging), pembobotan kata menggunakan TF-IDF, hingga evaluasi model. Dataset yang digunakan berjumlah 1.414 data setelah melalui proses augmentasi untuk menjaga keseimbangan kelas. Hasil pengujian menunjukkan bahwa optimasi AdaBoost berhasil meningkatkan akurasi model sebesar 12,18% dari baseline Decision Tree, dengan akurasi akhir mencapai 82,23% pada data uji dan rata-rata akurasi cross validation sebesar 83,74%. Sistem diimplementasikan dalam aplikasi berbasis web menggunakan arsitektur hybrid Laravel-Flask untuk visualisasi hasil analisis secara interaktif. Penelitian ini diharapkan membantu Direktorat Jenderal Pajak (DJP) memahami keluhan pengguna secara real-time untuk perbaikan kualitas layanan perpajakan digital.