Riset Indef: Kartu Prakerja Dapat Sentimen Negatif di Twitter

JAKARTA, KOMPAS.com - Ekonom senior Institute for Developement of Economic and Finance (Indef) Didik Rachbini mengatakan, program Kartu Prakerja banyak mendapatkan sentimen negatif dalam perbincangan di media sosial Twitter.

Hal tersebut dikatakan berdasarkan hasil riset Indef yang dilakukan 27 Maret hingga 25 April 2020.

Menurut Didik, apabila kata kunci yang berkaitan dengan pemberitaan Kartu Prakerja, misalnya konflik kepentingan dan boros anggaran dimasukkan ke mesin pencari, terdapat 38.260 perbincangan.

"Dari data ini, terjaring 38.000 perbincangan dengan sentimen negatif sebesar 81 persen. Sisanya, 19 persen adalah perbincangan yang mempunyai sentimen positif," kata Didik, Kamis (30/4/2020).

Baca juga: Jokowi: Korban PHK Diberi Prioritas Dapat Kartu Prakerja

Didik mengatakan, sentimen tersebut disebabkan adanya kasus konflik kepentingan yang diduga dilakukan mantan Staf Khusus Adamas Belva Syah Devara.

Perusahaan milik Belva yakni Ruangguru menjadi mitra dari program Kartu Prakerja.

"Sentimen negatif yang tinggi ini jelas dipengaruhi oleh kiprah staf khusus dan kritik keras masyarakat terhadap masalah konflik kepentingan yang terjadi di dalamnya," ujar Didik.

Saat riset dilakukan dengan kata kunci perbincangan misalnya dirumahkan, PHK sepihak, prakerja untuk korban PHK, bantuan sosial untuk PHK, terdapat 64,146 perbincangan.

Persentase sentimen positif sebanyak 16 persen sedangkan sentimen negatif sebanyak 84 persen.

Baca juga: Tak Tersentuh Bansos dan Ditolak Kartu Prakerja, Buruh Bingung Pikirkan Nasib Keluarga

"Itu semuanya publik tahu, publik tuh ngerti bahwa itu salah. Yang tidak mengerti itu mereka (staf khusus)," ucap Didik.

Diketahui, data riset yang diambil sebanyak 86.400 percakapan di media sosial Twitter. Sebagian besar perbincangan tersebut berasal dari 55.700 akun.

Metode yang digunakan adalah Aspect-based Sentiment Analysis. Analisis jenis ini berguna mengetahui tendensi (sentiment) dari suatu pembicaraan terhadap masing-masing objek yang dianalisis (aspect-based).

Tim riset menentukan sentimen positif atau negatif pada setiap sub kalimat menggunakan pendekatan Machine Learning dengan mempelajari kata-kata yang terkandung dari sebuah kalimat.