PENDAHULUAN

Investasi merupakan salah satu komponen utama perekonomian negara, bersamaan dengan konsumsi rumah tangga, dan pengeluaran pemerintah. Sebagai salah satu komponen utama perekonomian, peran investasi sangat krusial bagi Indonesia. Dengan pengelolaan investasi yang baik, diharapkan perekonomian negara dapat tumbuh. Hal tersebut yang membuat pemerintah mendirikan Sovereign Wealth Fund (SWF), yaitu Badan Pengelola Investasi Danantara. SWF dapat didefinisikan sebagai aset dan dana investasi yang dimiliki dan dikelola oleh pemerintah (Supriyanto, 2021). Sumber dana untuk SWF adalah cadangan devisa, ekspor komoditas, hasil privatisasi, atau surplus akun fiskal. Terlepas dari penciptaan kekayaan tersebut, SWF memiliki tujuan utama yaitu stabilisasi mata uang, peningkatan perdagangan bilateral, atau kontrol ekonomi dalam negeri seperti harga komoditas dan inflasi (Mahajan et al., 2008). Badan Pengelola Investasi (BPI) Danantara adalah lembaga yang bertugas mengelola kekayaan negara yang dipisahkan dan mengoptimalkan penggunaannya untuk mendanai investasi strategis bagi negara. Lembaga ini akan memprioritaskan investasi pada program-program nasional yang dapat memberikan dampak signifikan terhadap perekonomian. Dengan proyeksi awal mengelola aset senilai US$900 miliar, Danantara bertujuan meningkatkan pengembalian investasi negara serta mengkonsolidasikan aset BUMN untuk memperkuat daya saing dan efisiensi.

Menurut Eddy Junarsin, Danantara sebenarnya didirikan dengan tujuan positif untuk menyatukan pengelolaan aset negara dari perusahaan BUMN agar lebih transparan dan terkoordinasi (Agustine, 2023). Keberadaan holding company memungkinkan setiap perusahaan menjadi lebih terbuka, karena dewan komisaris dan dewan direksi ditunjuk serta diawasi secara langsung. Namun, pembentukan danantara juga dapat menurunkan kinerja BUMN. Peluncuran Danantara ini merangsang beragam opini dan respon baik positif maupun negatif dari masyarakat karena saat ini pemerintah tengah diterpa berbagai isu sosial-politik seperti program makan siang gratis, efisiensi anggaran, revisi UU Minerba, dan lain sebagainya. Sebagian masyarakat berpendapat bahwa Danantara hanya akan berdampak negatif pada masyarakat. Berbagai pendapat masyarakat tidak terlepas dari kekhawatiran atas tata kelola yang tidak transparan, potensi korupsi, hingga distribusi manfaat ekonomi yang tidak merata. Di sisi lain, sebagian masyarakat berpendapat positif dan berharap Danantara akan memberikan banyak manfaat. Oleh karena itu perlu untuk mengetahui sentimen masyarakat secara komprehensif mengenai kebijakan pembentukan Danantara.

Penelitian ini bertujuan untuk menganalisis pola dan distribusi sentimen masyarakat terhadap kebijakan peluncuran Danantara. Penelitian ini diharapkan dapat memberikan manfaat dalam menambah wawasan berbasis data. Wawasan tersebut dapat mendukung pemerintah dalam merumuskan kebijakan yang lebih responsif terhadap opini publik.

ISI
Apa itu Analisis Sentimen?
Analisis sentimen adalah proses mengkaji perasaan, emosi, pendapat, pandangan, sikap, atau tanggapan seseorang terhadap suatu peristiwa, produk, layanan, atau organisasi (Fathoni et al., 2024). Dikenal juga sebagai opinion mining, analisis sentimen merupakan cabang dari data mining yang bertujuan untuk mengevaluasi, menginterpretasi, mengolah, dan mengambil informasi dari data teks berupa opini mengenai suatu entitas, seperti produk, lembaga, individu, atau topik tertentu (Zen et al., 2022). Dengan menggunakan metode ini, kita dapat menganalisis teks untuk menentukan sentimen positif atau negatif yang terkandung didalamnya.
Penelitian ini menggunakan metode analisis VADER (Valence Aware Dictionary and Sentiment Reasoner), yaitu metode analisis berbasis kosakata. VADER akan menganalisis teks berdasarkan kosakata dengan membuat kelas sentimen berupa positif, negatif dan netral dengan menambahkan skor total atau skor gabungan (Sumitro et al., 2021). VADER menggunakan kombinasi leksikal sentimen dalam daftar leksikal seperti kata-kata yang umumnya diberi label menurut semantik orientasi positif, negatif, dan netral Hutto & Gilbert, 2014).

Tahapan Analisis Sentimen Publik dengan Vader
Untuk melakukan analisis sentimen publik dengan menggunakan metode VADER, dilakukan serangkaian tahapan yang dibutuhkan. Diantaranya, Scraping data, Preprocessing data, Labelling data, Splitting Dataset, dan Visualization. Berikut ini adalah alur dari proses tersebut:
Gambar 1. Flowchart Alur Penelitian

Sumber: Penulis (2025)

Adapun uraian dari proses penelitian ini, sebagai berikut:

1. Crawling data dilakukan menggunakan bahasa pemrograman Python dengan memanfaatkan library pandas serta Node.js untuk menjalankan tweet harvest, sebuah alat untuk mengumpulkan data dari platform media sosial X melalui API (Application Programming Interface). Dataset yang dikumpulkan berfokus pada pengguna dari Indonesia yang berinteraksi dalam bahasa Indonesia dengan keyword “Danantara”. Rentang waktu pengambilan data dimulai dari 20 Februari 2025 s.d. 10 Maret 2025. Pemilihan periode ini bertujuan untuk menganalisis respons publik di media sosial X sebelum dan setelah pengesahan Danantara. Dari proses ini, diperoleh data 420 tweet yang membahas tentang Danantara di media sosial X.
2. Tahap Preprocessing merupakan proses pengolahan teks untuk mempersiapkan data agar siap digunakan dalam proses analisis sentimen. Langkah ini meliputi meliputi case folding (mengubah data menjadi lowercase), data cleansing (membersihkan data dari tanda baca dan karakter tidak relevan lainnya), normalisasi (menyamakan format kata), tokenization (memecah suatu teks menjadi beberapa bagian), remove stopwords (menghapus kata-kata umum), dan stemming (mengkonversi menjadi kata dasar dan menghapus kata imbuhan). Berikut hasil contoh dari hasil preprocessing data:
   Gambar 2. Hasil Preprocessing
   
   Sumber: Penulis (2025)
3. Tahap labelling Data atau tahap pelabelan data dilakukan untuk mengkategorikan tweet menjadi beberapa kategori berdasarkan polaritas. Pada tahap ini, dilakukan metode Lexicon Based untuk menghitung nilai polaritas dan melabeli setiap tweet menjadi dua kategori yaitu, sentimen positif dan negatif. Hasil dari tahap ini didapatkan sentimen positif sebesar 53% positif sedangkan sentimen negatif sebesar 47%.
   Gambar 4, Distribusi Sentimen

4. Terakhir, tahap visualisasi data untuk mempermudah memahami dan membaca data. word cloud dan diagram batang merupakan salah satu bentuk visualisasi yang bisa digunakan dalam penelitian ini. Berikut hasil visualisasi dari analisis sentimen secara umum:

Gambar 3. Word Cloud Sentimen Publik terhadap Danantara

Bagaimana Hasil Sentimen Positif?
Gambar 6. Visualisasi Sentimen Positif

Kehadiran Danantara yang mampu menstimulasi aktivitas ekonomi dan membuka kesempatan investasi membuat masyarakat optimis. Sentimen positif ini ditunjukkan dari kata-kata pada word cloud seperti “penting”, “investor”, “aksi”, “BUMN”, “danantara”, dan “uang”. Namun, dominasi sentimen positif sebesar 53% kemungkinan dipengaruhi oleh tweet-tweet dengan sentimen netral yang hanya memberikan informasi, pertanyaan, dan ucapan selamat dari akun resmi pemerintah dan akun berita. Dalam analisis VADER, sentimen netral ini terasosiasi dengan sentimen positif sehingga meningkatkan total tweet positif.

Bagaimana Hasil Sentimen Negatif?
Gambar 5. Visualisasi Sentimen Negatif

Sentimen negatif menunjukkan kekhawatiran publik mengenai transparansi pengelolaan Danantara. Riwayat institusi pemerintah yang sering terlibat kasus korupsi menimbulkan ketidakpercayaan publik terhadap Danantara karena berpeluang dikorupsi dan dapat menghambat perkembangan ekonomi. Pada analisis word cloud sentimen negatif menampilkan kata-kata seperti “transparan”, “korupsi”, “kelola”, dan “ekonomi”. Selain itu, dominasi kata “danantara” dan “rakyat” menggambarkan keraguan masyarakat terkait kebijakan Danantara yang tidak berpihak pada kesejahteraan rakyat. Dalam kedua kategori sentimen tersebut, kata “danantara” menjadi fokus utama pembahasan, menandakan keterkaitannya dalam wacana publik baik dari sisi positif maupun negatif. Analisis ini secara menyeluruh memperlihatkan keberagaman persepsi publik terhadap isu tertentu, dengan sentimen yang bervariasi tergantung konteks pembahasan.

KESIMPULAN
Dari penelitian analisis sentimen menggunakan metode VADER di X, ditemukan bahwa respons positif terhadap Danantara lebih banyak (53%) dibandingkan negatif (47%). Namun, perlu dicatat bahwa banyak tweet yang sebenarnya netral—seperti pertanyaan, informasi biasa, atau ucapan selamat dari akun berita dan pemerintah—ikut memengaruhi hasil ini. Ketika dilihat dari kata-kata yang sering muncul dalam visuaslisasi word cloud, sentimen negatif lebih banyak menyoroti kekhawatiran akan transparansi, tata kelola, dan risiko korupsi di Danantara. Ada juga anggapan bahwa kebijakan ini kurang berpihak pada rakyat. Di sisi lain, sentimen positif lebih menekankan harapan dan optimisme publik terkait dampak Danantara dalam mendorong pertumbuhan ekonomi dan menarik investasi. Meskipun respons positif lebih banyak, adanya sentimen negatif yang cukup signifikan menunjukkan bahwa pemerintah perlu lebih memperhatikan aspirasi masyarakat dalam menyusun kebijakan ke depan. Dengan begitu, Danantara bisa benar-benar memberikan manfaat optimal bagi semua pihak.

DAFTAR PUSTAKA
Agustine, J. (2023, 10 Oktober). Pakar UGM ungkap dampak positif dan negatif kemunculan Danantara. Universitas Gadjah Mada. https://ugm.ac.id/id/berita/pakar-ugm-ungkap-dampak-positif-dan-negatif-kemunculan-danantar/
Mahajan, A., Bhagat, R. M., & Gupta, R. D. (2008). Integrated nutrient management in sustainable rice-wheat cropping system for food security in India. SAARC Journal of Agriculture, 6(2), 29–32
Supriyanto, E. E. (2021). Strategi Penerapan Kebijakan Sovereign Wealth Funds (SWFs) di Indonesia: Studi Literatur dan Studi Komparatif Oman. Jurnal Inovasi Ilmu Sosial Dan Politik (JISoP), 3(1), 10–21. https://doi.org/10.33474/jisop.v3i1.6959
Sumitro, P. A., Mulyana, D. I., & Saputro, W. (2021). Analisis Sentimen Terhadap Vaksin Covid-19 di Indonesia pada Twitter Menggunakan Metode Lexicon Based. Jurnal Informatika dan Teknologi Komputer (J-ICOM), 2(2), 50-56.
Hutto, C., & Gilbert, E. (2014). VADER: A Parsimonious Rule-Based Model for Sentiment Analysis of Social Media Text. Proceedings of the International AAAI Conference on Web and Social Media, 8(1), 216-225. https://doi.org/10.1609/icwsm.v8i1.14550