Riset Indef: Warganet Tanggapi Negatif Kebijakan Pemerintah soal COVID-19

Isu Pembicaraan dari Masing-Masing Kebijakan

Skor menandakan popularitas dan relevansi topik di mata warganet. Skalanya adalah 0 sampai 1. Angka 0 berarti isu tidak populer, angka 1 berarti isu paling populer. Sumber : Twitter 27 Maret - 9 April 2020

1. PSBB
Topik positif: 21%
Topik negatif: 79%
Isu:
- PSBB untuk percepatan penanganan Corona: 1,00
- Darurat sipil anggaran dikendalikan oleh pemerintah pusat: 0,49
- Darurat sipil meredam sikon apabila tidak terkendali: 0,21
- UU Darurat Sipil Tidak Relevan dengan Pandemi Corona: 1,00
- Pemerintah Melepas Kewajiban Pemenuhan Kebutuhan dengan Darurat Sipil: 0,69
- Darurat Sipil Tidak Ada Dasar: 0,26

2. Pembebasan narapidana
Topik positif: 54%
Topik negatif: 46%
Isu:
- Pembebasan Napi dan Anak untuk Mencegah COVID-19: 1,00
- Pembebasan Napi Akibat Pandemi adalah Anjuran PBB: 0,15
- Kebijakan Tidak Menerima Tahanan Baru: 0,08
- Remisi Koruptor di Masa Pandemi: 1,00
- Pembebasan Napi Versus Potensi Keresahan Masyarakat: 0,09
- Kontradiksi Pembebasan Napi dan Penangkapan Pelanggar PSBB: 0,01

3. Pembatasan Mudik
Topik positif: 46%
Topik negatif: 54%
Isu:
- Gerakan Masyarakat untuk Tidak Mudik: 1,00
- Insentif Bagi yang Tidak Mudik: 0,42
- Prosedur Penanganan Pemudik: 0,26
- Kritik Terhadap Ketidaktegasan Pemerintah Soal Mudik: 1,00
- Sosialisasi Anjuran Tidak Mudik Pemerintah Sangat Terlambat: 0,47
- Simpang Siur Pemerintah Tentang Mudik: 0,42

4. Aturan Penghinaan Presiden
Topik positif: 11%
Topik negatif: 89%
Isu:
- Aturan Khusus Penghinaan Presiden Bukti Pemerintah Alergi Kritik: 1,00
- Kritik adalah Hak Rakyat Terhadap Pemerintah: 0,99
- Pasal Penghinaan Presiden di Tengah Pandemi Tidak Relevan: 0,36
- Aturan Khusus Picu Pelanggaran Kebebasan Berpendapat: 0,29
- Tukar Guling Aturan Penghinaan Presiden dengan Darurat Sipil: 0,13

5. Jaring Pengaman Sosial
Topik positif: 44%
Topik negatif: 56%
Isu:
- Pendataan Penerima Bansos yang Tidak Merata dan Salah Sasaran: 1,00
- Potensi Korupsi Dana Bantuan Sosial: 0,79
- Pembagian Bansos Berantakan: Harus Jujur dan Transparan: 0,66
- Bansos Mulai Didistribusikan oleh Pemerintah: 1,00
- 1 BLT Dana Desa: Kehadiran Pemerintah Dalam Melindungi Masyarakat Miskin: 0,21
- Tambahan Bansos Bagi Penyandang Disabilitas: 0,12

6. Pengangguran Akibat COVID-19
Topik positif: 16%
Topik negatif: 84%
Isu:
- Keluhan Karena Menjadi Orang yang Dirumahkan/PHK: 1,00
- Lambat Atasi Corona: Pembunuhan Massal Untuk Mengurangi Pengangguran: 0,26
- PHK Sepihak Oleh Perusahaan: 0,16
- Omnibus Law Atasi Pengangguran Akibat Corona: 1,00
- RUU Cipta Kerja Solusi PHK Massal: 0,25
- Pelatihan Online Bermanfaat Buat Pengangguran: 0,01

7. Kartu Pra Kerja
Topik positif: 46%
Topik negatif: 54%
- Bantuan Tunai Lebih Efektif untuk Korban PHK di Masa Pandemi daripada Pra Kerja: 1,00
- Stafsus: Konflik Kepentingan Kartu Pra Kerja: 0,67
- Kelas Online Prakerja: Tidak Lebih Baik dari Konten Gratis di Youtube: 0,33
- Kartu Prakerja Solusi Tepat: 1,00
- Kartu Prakerja: Membuat Kesempatan Lebih Besar untuk Mendapatkan Pekerjaan: 0,35
- Ada Komponen Bansos Dalam Pra Kerja: 0,23

Riset INDEF-Datalyst Center 25 April 2020. (Dok INDEF)

Metode

Paparan ini disampaikan oleh Didik J Rachbini, Eko Listyanto, dan Imam Maulana dari Indef, serta Omar Abdillah selaku Adviser Tim. Mereka menyaring dan menyerap data sentimen warganet.

Pernyataan dan pertanyaan yang dipakai dalam riset hanyalah yang disampaikan oleh pihak yang paham mengenai kebijakan pemerintahan. Cuitan orang awam dan akun buzzer tidak dipakai. Percakapan yang berhasil dijaring dari media sosial (Twitter) mencapai 476,7 ribu percakapan dan berasal dari akun 397,2 ribu orang.

Sumber data riset ini berasal dari media sosial, terutama Twitter, berita daring. Pada riset I, yakni 27 Februari-22 Maret, tim berhasil mengumpulkan 145.000 percakapan (tweets) dari 135.000 pengguna. Pada riset II, yakni 27 Maret-25 April, sebanyak 476.000 percakapan dengan jumlah akun/orang mencapai 397,2 ribu orang berhasil dikumpulkan.

Indef-Datalyst Center melakukan Analisis Sentimen menggunakan metode aspect-based sentiment analysis. Analisis ini berguna mengetahui tendensi (sentiment) dari suatu pembicaraan terhadap masing-masing objek yang dianalisis (aspect-based). Tweet atau data yang digunakan dalam analisis sudah dipastikan adalah tweet-tweet yang terkait dengan Corona dan penanganan pemerintah.

Tim menentukan sentimen (positif/negatif) pada setiap sub-kalimat tersebut menggunakan pendekatan Machine Learning dengan mempelajarinya kata-kata yang terkandung dari kalimatnya.

Tim melakukan Ekstraksi Isu Populer, yakni menentukan isu terpopuler terkait upaya menangani pandemi COVID-19 yang akan diambil pemerintah. Penentuan isu populer tersebut menggunakan pendekatan Machine Learning dengan algoritma Latent Dirichlet Allocation ( LDA). Algoritma LDA mempelajari kata-kata yang muncul dalam percakapan di media sosial untuk mengidentifikasi kata-kata yang merepresentasikan suatu isu pembicaraan.