Bagaimana Masyarakat Menilai IKD? Analisis Sentimen dan Penerimaan Pengguna

Bagian 3 dari 4, Seri Artikel Identitas Kependudukan Digital

Setelah membahas dasar hukum dan tantangan implementasi di lapangan, bagian ini akan menjawab pertanyaan yang sebenarnya paling menentukan nasib sebuah aplikasi publik: apa kata pengguna sesungguhnya? Sejak dirilis di Google Play Store, aplikasi IKD telah menerima ribuan ulasan, mulai dari pujian, keluhan, hingga kritik tajam. Karena volume ulasan yang sangat besar dan tidak mungkin dibaca satu per satu secara manual, sejumlah peneliti di berbagai kampus di Indonesia menggunakan teknik analisis sentimen berbasis kecerdasan buatan untuk mengurai pola opini publik secara sistematis.

Menariknya, setidaknya lima penelitian independen, menggunakan metode yang berbeda-beda mulai dari machine learning klasik hingga deep learning generasi terbaru, telah mencoba menjawab pertanyaan yang sama ini. Mari kita telusuri satu per satu.

Mengapa Analisis Sentimen Penting untuk Aplikasi Publik?

Analisis sentimen (sentiment analysis) adalah teknik pengolahan bahasa alami (Natural Language Processing/NLP) yang digunakan untuk mengklasifikasikan opini seseorang terhadap suatu topik ke dalam kategori tertentu, biasanya positif, negatif, dan netral. Untuk aplikasi layanan publik digital seperti IKD, analisis semacam ini sangat berguna karena:

• Membantu pemerintah dan pengembang memahami tingkat kepuasan pengguna secara terukur;
• Mengidentifikasi pola keluhan yang berulang, sehingga dapat menjadi prioritas perbaikan;
• Menjadi bahan evaluasi kebijakan berbasis data, bukan sekadar asumsi atau anekdot.

Studi 1: Analisis Sentimen dengan Support Vector Machine (Komentar Facebook)

Salah satu penelitian mengambil pendekatan berbeda dengan mengumpulkan data dari kolom komentar pengguna Facebook (bukan Google Play Store) dengan kata kunci “Identitas Kependudukan Digital”, pada rentang 16 Februari hingga 10 Maret 2023. Dari 947 komentar yang berhasil dikumpulkan, sebanyak 902 data dinyatakan layak dianalisis setelah data yang tidak relevan (misalnya komentar yang hanya menandai pengguna lain, atau komentar tidak bermakna) dibuang.

Menggunakan algoritma Support Vector Machine (SVM) dengan pembobotan kata TF-IDF, hasil klasifikasi menunjukkan distribusi sentimen sebagai berikut:

Kategori Sentimen	Persentase
Negatif	78,27%
Netral	12,97%
Positif	8,76%

Model ini mencapai akurasi sebesar 77% pada data uji. Yang menarik, analisis kata yang paling sering muncul (wordcloud) menunjukkan bahwa kata “data” dan “proyek” menjadi kata dengan frekuensi kemunculan tertinggi setelah “KTP” dan “HP”, mengindikasikan bahwa kekhawatiran soal keamanan data pribadi dan persepsi negatif terhadap IKD sebagai “proyek pemerintah” menjadi dua isu dominan di balik tingginya sentimen negatif. Selain itu, keterbatasan kapasitas penyimpanan ponsel milik sebagian pengguna juga disebut sebagai salah satu sumber keluhan.

Studi 2: Perbandingan Naive Bayes dan K-Nearest Neighbor (Ulasan Google Play Store)

Penelitian lain secara spesifik membandingkan performa dua algoritma klasik dalam machine learning, yaitu Naive Bayes dan K-Nearest Neighbor (KNN), untuk mengklasifikasikan 2.000 ulasan pengguna IKD yang dikumpulkan melalui teknik web scraping dari Google Play Store. Setelah dilabeli secara manual, diperoleh 1.000 ulasan berlabel positif dan 1.000 berlabel negatif secara seimbang.

Hasilnya cukup jelas menunjukkan keunggulan KNN dibandingkan Naive Bayes:

Metode	Akurasi Rata-Rata	Presisi (Positif)	Presisi (Negatif)
Naive Bayes	75,75%	77,25%	74,41%
K-Nearest Neighbor (KNN)	82,85%	83,02%	82,69%

KNN, yang bekerja dengan prinsip mengklasifikasikan data baru berdasarkan kedekatan (jarak) dengan data latih di sekitarnya, terbukti lebih mampu menangkap pola-pola kompleks dalam data ulasan dibandingkan Naive Bayes yang mengandalkan asumsi probabilistik sederhana. Meski demikian, peneliti dalam studi ini tetap menyarankan eksplorasi lebih lanjut, misalnya dengan mengombinasikan metode ini dengan algoritma lain seperti Support Vector Machine atau pendekatan deep learning.

Studi 3: Model BERT dengan Teknik SMOTE (15.000 Ulasan)

Penelitian ketiga menggunakan pendekatan yang jauh lebih canggih dengan model BERT (Bidirectional Encoder Representations from Transformers), arsitektur deep learning berbasis Transformer yang dikembangkan oleh Google, dan dikenal unggul dalam memahami konteks kalimat secara dua arah (dari kiri ke kanan dan sebaliknya).

Dengan dataset yang jauh lebih besar (15.000 ulasan) dan diklasifikasikan ke dalam tiga kategori (positif, netral, negatif) berdasarkan rating bintang yang diberikan pengguna, penelitian ini juga menerapkan teknik SMOTE (Synthetic Minority Over-sampling Technique) untuk mengatasi ketimpangan jumlah data antar kategori sentimen (sebelum SMOTE diterapkan, jumlah ulasan netral jauh lebih sedikit dibandingkan ulasan negatif).

Setelah menguji berbagai skenario rasio pembagian data latih dan data uji, skenario 70% data latih berbanding 30% data uji menghasilkan performa terbaik dengan akurasi 84,69%. Sebagai perbandingan, penelitian sebelumnya yang menggunakan algoritma KNN klasik pada dataset serupa hanya mencapai akurasi 81%, sehingga BERT terbukti unggul sekitar 3,69 poin persentase, sebuah bukti konkret bahwa kemampuan memahami konteks bahasa secara dua arah memberikan keunggulan nyata dalam menganalisis opini berbahasa Indonesia yang sering kali informal dan penuh singkatan.

Studi 4: Bidirectional LSTM dengan Word2Vec (14.000 Ulasan Sepanjang 2023)

Penelitian keempat, dan yang menghasilkan akurasi tertinggi di antara semua studi yang ada, menggunakan kombinasi algoritma Bidirectional Long Short-Term Memory (Bi-LSTM) dengan teknik word embedding Word2Vec. Bi-LSTM merupakan varian dari model Recurrent Neural Network yang mampu memproses teks dari dua arah sekaligus (maju dan mundur), sehingga dapat menangkap konteks kalimat secara lebih menyeluruh dibandingkan model searah biasa.

Penelitian ini mengumpulkan 14.000 data ulasan beserta rating dari Google Play Store sepanjang Januari hingga Desember 2023, dan menemukan sebuah fakta penting: rata-rata nilai penilaian (rating) aplikasi IKD mengalami tren penurunan yang cukup tajam sejak bulan Juni hingga Desember 2023, dari yang sempat menyentuh titik tertinggi sekitar 4,5 pada Juni, terus merosot hingga mendekati 2,0 pada Desember. Tren ini mengindikasikan adanya penurunan tingkat kepuasan pengguna yang signifikan dalam periode tersebut.

Peneliti menguji 18 kombinasi model dengan variasi metode Word2Vec (CBOW dan Skip-Gram), dimensi vektor kata (100, 200, dan 300), serta proporsi pembagian data latih-uji (70:30, 80:20, dan 90:10). Hasil terbaik diperoleh dari kombinasi Bi-LSTM dengan Word2Vec varian CBOW, dimensi vektor 200, dan pembagian data 80:20, dengan hasil evaluasi sebagai berikut:

Metrik Evaluasi	Nilai
Akurasi	96,06%
Presisi	96,44%
Recall	95,64%
F1-Score	96,04%

Sebagai pembanding, peneliti yang sama juga menguji tiga algoritma machine learning klasik (Naive Bayes, LGB Machine, dan Gradient Boosting) pada dataset yang sama. Naive Bayes mencatatkan akurasi tertinggi di antara ketiganya dengan 93,07%, namun tetap tidak mampu menyamai performa kombinasi Bi-LSTM dan Word2Vec. Hasil ini menegaskan pola yang konsisten di seluruh studi: semakin canggih kemampuan model dalam memahami konteks bahasa, semakin akurat pula hasil klasifikasi sentimennya.

Merangkum Pola dari Seluruh Studi Analisis Sentimen

Jika kita bandingkan seluruh hasil penelitian yang telah dibahas, terlihat pola yang cukup konsisten:

Studi	Metode	Sumber Data	Akurasi Terbaik
Analisis komentar Facebook	Support Vector Machine	902 komentar Facebook (Feb–Mar 2023)	77%
Perbandingan klasik	Naive Bayes vs KNN	2.000 ulasan Play Store	82,85% (KNN)
Model Transformer	BERT + SMOTE	15.000 ulasan Play Store	84,69%
Deep Learning terbaru	Bi-LSTM + Word2Vec	14.000 ulasan Play Store (2023)	96,06%

Beberapa benang merah penting yang dapat ditarik:

1. Model yang lebih mampu memahami konteks bahasa cenderung menghasilkan akurasi klasifikasi yang lebih tinggi, mulai dari SVM dan Naive Bayes yang sederhana, hingga BERT dan Bi-LSTM yang jauh lebih kompleks dalam memproses makna kalimat.
2. Kata kunci “data” dan kekhawatiran privasi muncul berulang kali sebagai penyebab sentimen negatif di berbagai studi, bukan hanya di satu platform, tetapi konsisten baik di Facebook maupun Google Play Store.
3. Tren rating pengguna menunjukkan penurunan kepuasan pada semester kedua tahun 2023, bertepatan dengan periode perluasan penggunaan IKD ke masyarakat umum secara lebih luas, mengindikasikan bahwa gesekan (friction) pengalaman pengguna justru meningkat seiring bertambahnya jumlah pengguna baru yang belum familier dengan sistem digital semacam ini.
4. Keluhan teknis yang berulang kali muncul di berbagai ulasan antara lain: aplikasi tidak bisa dibuka setelah pembaruan sistem operasi, proses aktivasi yang dianggap merepotkan karena tetap mengharuskan kunjungan fisik ke kantor Dukcapil untuk memindai kode QR, serta ketidakpuasan terhadap proses yang dianggap belum sepenuhnya “digital” meski disebut sebagai identitas digital.

Studi 5: Technology Acceptance Model (TAM), Mengukur Penerimaan dari Sisi Persepsi Pengguna

Selain pendekatan analisis sentimen berbasis teks, ada pula penelitian yang mengukur penerimaan pengguna IKD dari sudut pandang yang berbeda: Technology Acceptance Model (TAM), sebuah model yang dikembangkan oleh Fred Davis pada 1986 untuk menjelaskan dan memprediksi bagaimana seseorang menerima atau menolak suatu teknologi.

Penelitian ini dilakukan terhadap 190 responden warga Surabaya berusia 17–40 tahun yang pernah atau sedang menggunakan aplikasi IKD, menggunakan lima variabel utama dalam kerangka TAM:

• Perceived Ease of Use (Persepsi Kemudahan Penggunaan): seberapa mudah aplikasi ini dipelajari dan dioperasikan;
• Perceived Usefulness (Persepsi Kebergunaan): seberapa besar aplikasi ini dirasa meningkatkan efektivitas dan kecepatan akses dokumen kependudukan;
• Attitude Toward Using (Sikap terhadap Penggunaan): bagaimana perasaan pengguna terhadap tampilan dan interaksi aplikasi;
• Behavioural Intention to Use (Niat Perilaku untuk Menggunakan): seberapa besar niat pengguna untuk terus memakai aplikasi ke depannya;
• Actual System Usage (Penggunaan Sistem Aktual): frekuensi dan durasi penggunaan aplikasi yang sesungguhnya terjadi.

Temuan Utama

Secara umum, mayoritas responden memberikan penilaian positif terhadap kemudahan penggunaan dan kebergunaan aplikasi IKD, misalnya, mayoritas setuju bahwa fitur-fitur dalam aplikasi mudah dipelajari, tampilan menunya jelas, dan aplikasi membantu mempercepat akses dokumen kependudukan. Namun, hasil uji statistik regresi linier berganda menunjukkan pola yang cukup menarik:

• Persepsi Kemudahan Penggunaan (PEOU) terbukti berpengaruh positif dan signifikan terhadap Persepsi Kebergunaan (PU) maupun Sikap terhadap Penggunaan (ATU).
• Sikap terhadap Penggunaan (ATU) juga terbukti berpengaruh positif dan signifikan terhadap Niat Perilaku untuk Menggunakan (BI).
• Namun, Persepsi Kebergunaan (PU) ternyata tidak terbukti berpengaruh signifikan terhadap Sikap maupun Niat Perilaku Penggunaan.
• Yang lebih mengejutkan, Niat Perilaku untuk Menggunakan (BI) tidak terbukti berpengaruh signifikan terhadap Penggunaan Sistem Aktual (ASU); artinya, niat yang tinggi untuk menggunakan aplikasi tidak serta-merta tercermin dalam perilaku penggunaan yang sesungguhnya di lapangan.

Secara keseluruhan, kombinasi seluruh variabel dalam model TAM ini hanya mampu menjelaskan 10,3% dari variasi penggunaan sistem aktual, sementara 89,7% sisanya dipengaruhi oleh faktor-faktor lain di luar model, misalnya kebutuhan mendesak yang bersifat situasional, ketersediaan jaringan internet, atau faktor kepercayaan terhadap keamanan data yang tidak diukur secara eksplisit dalam kerangka TAM klasik ini.

Peneliti menyimpulkan bahwa meskipun secara persepsi masyarakat cukup menerima IKD sebagai inovasi yang “cukup bagus”, pengaruh persepsi tersebut terhadap perilaku penggunaan nyata tergolong lemah, sebuah temuan yang selaras dengan hasil-hasil analisis sentimen di atas, di mana kepuasan pengguna cenderung menurun seiring waktu meskipun secara konsep aplikasi ini dinilai bermanfaat.

Membaca Persepsi Publik Secara Utuh

Jika kita satukan seluruh temuan dari lima studi berbeda di atas, gambaran yang muncul cukup jelas: masyarakat Indonesia pada dasarnya memahami dan mengakui manfaat konseptual dari digitalisasi identitas kependudukan, yaitu kemudahan akses, kecepatan proses, dan potensi efisiensi birokrasi. Namun, penerimaan tersebut belum sepenuhnya berubah menjadi kepuasan dan perilaku penggunaan yang konsisten, karena dibayangi oleh dua isu besar yang berulang kali muncul di berbagai penelitian: kendala teknis (gangguan sistem, proses aktivasi yang belum sepenuhnya mulus, keterbatasan perangkat) dan kekhawatiran privasi data.

Isu kedua ini, yaitu perlindungan data pribadi, ternyata bukan sekadar persepsi subjektif masyarakat, melainkan juga menjadi sorotan serius dari sisi akademik hukum. Pada bagian keempat sekaligus penutup dari seri artikel ini, kita akan mengupas tuntas bagaimana kerangka hukum perlindungan data pribadi di Indonesia berhadapan dengan kebijakan privasi aplikasi IKD, termasuk perbandingannya dengan sistem identitas digital di negara lain.

---

Lanjut ke Bagian 4: Perlindungan Data Pribadi pada IKD dan Masa Depan Identitas Digital Indonesia