EVALUASI SENTIMEN TERHADAP IMPLEMENTASSI CORETAX MENGGUNAKAN INDOBERTWEET DAN BERTOPIC

Selfy Ilafia; Daniel Arsa; Mutia Fadhila Putri

doi:10.46576/djtechno.v7i2.9036

EVALUASI SENTIMEN TERHADAP IMPLEMENTASSI CORETAX MENGGUNAKAN INDOBERTWEET DAN BERTOPIC

Selfy Ilafia, Daniel Arsa, Mutia Fadhila Putri

Abstract

Coretax (Sistem Administrasi Perpajakan Inti) merupakan sistem administrasi perpajakan yang diimplementasikan oleh Direktorat Jenderal Pajak (DJP) pada 1 Januari 2025. Implementasi sistem ini memunculkan beragam respons dari publik di media sosial, khususnya platform X. Penelitian ini bertujuan menganalisis sentimen dan pemodelan topik terhadap tweet terkait Coretax menggunakan IndoBERTweet dan BERTopic. Hasil evaluasi model IndoBERTweet menunjukkan akurasi terbaik sebesar 92% dengan F1-score kelas positif 69% pada pendekatan tanpa preprocessing tanpa normalisasi, stopword removal, dan stemming dibandingkan pendekatan dengan preprocessing yang menghasilkan akurasi 90% dan F1-score kelas positif 65%. BERTopic berhasil mengidentifikasi 14 topik utama dengan rata-rata coherence score 0,54, yang didominasi oleh isu teknis seperti error sistem, login, faktur pajak, NPWP, dan pelaporan SPT. Secara keseluruhan, sentimen publik terhadap implementasi Coretax didominasi sentimen negatif yang berpusat pada kendala teknis dan permasalahan operasional sistem.

Kata Kunci: Coretax, IndoBERTweet, Analisis Sentimen, BERTopic, Pemodelan Topik

Full Text:

PDF

References

F. Faradina, “Coretax DJP: 1 Aplikasi 7 Manfaat,” Direktorat Jendral Pajak. Accessed: Sep. 25, 2025. [Online]. Available: https://www.pajak.go.id/id/artikel/coretax-djp-1-aplikasi-7-manfaat#:~:text=Tujuan utama dari pembangunan Coretax,hingga pemeriksaan dan penagihan pajak

S. P. Tamba, “Dari Layar Lebar Menuju Era Perpajakan Digital,” Direktorat Jendral Pajak. Accessed: Sep. 25, 2025. [Online]. Available: https://www.pajak.go.id/id/artikel/dari-layar-lebar-menuju-era-perpajakan-digital

B. Liu, Sentiment Analysis. Cambridge University Press, 2020. doi: 10.1017/9781108639286.

B. E. S. Dewi, “Model Analisis Sentimen Pada Kendaraan Listrik Menggunakan Algoritma IndoBERTweet Ddan IndoBER,” vol. 19, no. 1, pp. 169–179, 2025, doi: https://doi.org/10.35457/w5r3g517.

A. S. Rizkia, W. Wufron, and F. F. Roji, “Analisis Sentimen Coretax: Perbandingan Pelabelan Data Manual, Transformers-Based, dan Lexicon-Based pada Performa IndoBERT,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. 3, Jul. 2025, doi: 10.57152/malcom.v5i3.2151.

Nursyahrina, S. Defit, and R. Sovia, “Metode BERTopic dan LDA untuk Analisis Tren Penelitian Bidang Ilmu Komputer,” J. KomtekInfo, vol. 11, no. 4, pp. 332–341, 2024, doi: 10.35134/komtekinfo.v11i4.580.

I. Nura Nugraha and E. Utami, “Evaluation of Creative Economy and Tourism Industry Trends based on LDA Analysis with BERTopic,” Digit. Zo. J. Teknol. Inf. dan Komun., vol. 15, no. 2, pp. 182–195, 2024, doi: 10.31849/digitalzone.v15i2.23796.

Y. Turnandes, A. Ade Irwanda, and Vebby, “Analisis Sentimen pada Ulasan Kegiatan Seminar Nasional Sistem Informasi dan Teknologi Komputer 2023 menggunakan Natural Language Processing (NLP),” J. Karya Ilm. Multidisiplin, vol. 4, no. 2, pp. 101–109, Aug. 2024, doi: 10.31849/jurkim.v4i2.22063.

I. P. Gede, P. Badra, K. O. Saputra, and M. Sudarma, “Comparative Performance of Indonesian Stemming : PL / SQL Implementation of Nazief and Adriani Algorithm versus Sastrawi Library,” vol. 19, no. 2, pp. 1545–1564, 2026, doi: https://doi.org/10.24036/jtip.v19i2.1098.

F. Koto, J. H. Lau, and T. Baldwin, “INDOBERTWEET: A Pretrained Language Model for Indonesian Twitter with Effective Domain-Specific Vocabulary Initialization,” EMNLP 2021 - 2021 Conf. Empir. Methods Nat. Lang. Process. Proc., pp. 10660–10668, 2021, doi: 10.18653/v1/2021.emnlp-main.833.

S. Diantika, “Penerapan Teknik Random Oversampling Untuk Mengatasi Imbalance Class Dalam Klasifikasi Website Phishing Menggunakan Algoritma Lightgbm,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 1, pp. 19–25, 2023, doi: 10.36040/jati.v7i1.6006.

P. Kherwa and P. Bansal, “EAI Endorsed Transactions on Scalable Information System s Topic Modeling : A Comprehensive Review,” vol. 7, no. 24, pp. 1–16, doi: https://doi.org/10.4108/eai.13-7-2018.159623.

M. Grootendorst, “BERTopic: Neural topic modeling with a class-based TF-IDF procedure,” 2022, [Online]. Available: http://arxiv.org/abs/2203.05794

D. H. Seol, J. E. Choi, C. Y. Kim, and S. J. Hong, “Alleviating Class-Imbalance Data of Semiconductor Equipment Anomaly Detection Study,” Electronics, vol. 12, no. 3, p. 585, Jan. 2023, doi: 10.3390/electronics12030585.

R. Aryanti, T. Misriati, and R. Hidayat, “Klasifikasi Risiko Kesehatan Ibu Hamil Menggunakan Random Oversampling Untuk Mengatasi Ketidakseimbangan Data,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 3, no. 5, pp. 409–416, 2023, doi: https://doi.org/10.30865/klik.v3i5.728.

Y. Yang, H. A. Khorshidi, and U. Aickelin, “A review on over-sampling techniques in classification of multi-class imbalanced datasets: insights for medical problems,” Front. Digit. Heal., vol. 6, no. July, 2024, doi: 10.3389/fdgth.2024.1430245.

C. Yang, E. A. Fridgeirsson, J. A. Kors, J. M. Reps, and P. R. Rijnbeek, “Impact of random oversampling and random undersampling on the performance of prediction models developed using observational health data,” J. Big Data, vol. 11, no. 1, 2024, doi: 10.1186/s40537-023-00857-7.

S. J. Weston, I. Shryock, R. Light, and P. A. Fisher, “Selecting the Number and Labels of Topics in Topic Modeling: A Tutorial,” Adv. Methods Pract. Psychol. Sci., vol. 6, no. 2, 2023, doi: 10.1177/25152459231160105.

C.- Crisis, S. Avasthi, R. Chauhan, and D. P. Acharjya, International Conference on Innovative Computing and Communications, vol. 1387, no. January. in Advances in Intelligent Systems and Computing, vol. 1387. Singapore: Springer Singapore, 2022. doi: 10.1007/978-981-16-2594-7.

D. Aryani, I. Lucia Kharisma, A. Sujjada, and K. Kamdan, “Topic Modeling of the 2024 Election Using the BERTopic Method on Detik.com News Articles,” Inf. J. Ilm. Bid. Teknol. Inf. dan Komun., vol. 9, no. 2, pp. 171–180, 2024, doi: 10.25139/inform.v9i2.8429.

DOI: https://doi.org/10.46576/djtechno.v7i2.9036