Membedah Sentimen Publik B2B: Studi Kasus Pipeline AI pada Infranexia by Telkom Indonesia

Ketika sebuah raksasa telekomunikasi melakukan spin-off untuk membentuk entitas baru, pergerakan informasinya di pasar modal dan media bisnis menjadi sangat masif. Salah satu contoh terhangat saat ini adalah Infranexia, entitas wholesale fiber connectivity baru dari ekosistem Telkom Indonesia.

Berbeda dengan produk ritel (B2C) di mana sentimen publik bisa dengan mudah diukur dari keluhan pelanggan di media sosial, mengukur sentimen bisnis korporat (B2B) memerlukan pendekatan analitik yang lebih terstruktur. Data utama tidak berada di kolom komentar, melainkan pada rilis pers, portal berita bisnis, dan wacana industri.

Di sinilah Machine Learning dan Natural Language Processing (NLP) mengambil peran. Dalam studi kasus ini, saya membangun sebuah pipeline ekstraksi data dan klasifikasi sentimen otomatis berbasis Python untuk membaca bagaimana media dan pasar merespons pergerakan Infranexia.

Tech Stack & Arsitektur Pipeline

Proses ini dibangun secara end-to-end di atas lingkungan komputasi Python dengan mengintegrasikan beberapa pustaka utama:

• Ekstraksi Data (Web Scraping): Menggunakan BeautifulSoup dan requests untuk menarik data real-time dari antarmuka RSS Google News.

• Data Preprocessing: Memanfaatkan Regex dan Pandas untuk membersihkan teks dari URL, karakter khusus, dan angka.

• Pemodelan AI (Sentiment Analysis): Mengimplementasikan IndoBERT (w11wo/indonesian-roberta-base-sentiment-classifier) via pustaka Transformers dari Hugging Face. Model ini telah dilatih khusus untuk memahami konteks dan nuansa bahasa Indonesia.

Temuan Menarik: Dominasi Berita Faktual

Skrip scraping yang dijalankan berhasil mengumpulkan 100 artikel publikasi terbaru dari berbagai portal berita terkait kata kunci "Infranexia Telkom". Setelah teks dibersihkan, pipeline AI mengevaluasi seluruh dataset untuk menentukan polaritas sentimennya (Positif, Negatif, atau Netral).

Hasilnya sangat menarik dan di luar dugaan awal:

Sistem mengeluarkan output yang sangat seragam:

• Neutral: 100 artikel

• Positive: 0 artikel

• Negative: 0 artikel

Seluruh data, tanpa terkecuali, diklasifikasikan sebagai sentimen netral.

Mengapa Semuanya Netral? (Business Insight)

Jika kita membedah sampel teks asli yang dianalisis, judul-judul berita tersebut berbunyi seperti:

1. "Telkom Resmi Teken Akta Spin-Off, InfraNexia Jadi Mesin Pertumbuhan Baru Infrastruktur Digital TelkomGroup"

2. "Dirut Telkom Ungkap Masa Depan Infranexia, Jadi IPO?"

Dalam ekosistem logistik dan penyedia infrastruktur fiber optic berskala makro, komunikasi eksternal sangat didominasi oleh siaran pers korporat dan analisis pasar modal. Bahasa jurnalistik yang digunakan bersifat faktual, informatif, objektif, dan sangat menghindari penggunaan kata sifat yang bermuatan emosi.

Model IndoBERT secara brilian mendeteksi ketiadaan polaritas emosional ini dan melabelinya sebagai "Neutral". Hasil ini bukanlah sebuah kegagalan machine learning, melainkan cerminan akurat dari sifat jurnalisme korporat itu sendiri.

Bagi para pengambil keputusan strategis, data ini memberikan insight bahwa langkah spin-off Infranexia saat ini direspons oleh pasar sebagai sebuah manuver faktual bisnis, tanpa adanya resistensi sentimen negatif maupun hypeemosional yang tidak berdasar.

Kesimpulan & Langkah Selanjutnya

Mengukur sentimen untuk entitas B2B terbukti membutuhkan kacamata yang berbeda. Ke depannya, pipeline AI ini dapat diekspansi lebih jauh. Alih-alih hanya mengandalkan berita portal formal, kita dapat mengawinkannya dengan data keluhan operasional infrastruktur di lapangan misalnya data latency jaringan atau ulasan aplikasi MyTelkomsel, untuk mendapatkan lanskap analitik yang lebih komprehensif.

Bagi rekan-rekan penggiat data dan AI yang ingin melihat source code lengkap dari eksperimen ini, silakan kunjungi repository GitHub saya: https://github.com/faisalsuryasaputra/infranexia-sentiment-analysis.git