ANALISIS SENTIMEN PENGGUNA MEDIA SOSIAL X TERHADAP KASUS PEJABAT KORUPSI: PERBANDINGAN METODE BI-LSTM, CNN, DAN BERT

Abstract

Korupsi yang melibatkan pejabat publik masih menjadi permasalahan serius di Indonesia dan menimbulkan beragam reaksi dari masyarakat, khususnya melalui media sosial X yang digunakan sebagai sarana penyampaian opini secara terbuka. Besarnya volume data serta karakteristik teks yang tidak terstruktur dan menggunakan bahasa informal menyebabkan analisis opini secara manual menjadi tidak efektif. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap kasus pejabat korupsi di media sosial X serta membandingkan kinerja metode deep learning Bidirectional Long Short-Term Memory (Bi-LSTM), Convolutional Neural Network (CNN), dan Bidirectional Encoder Representations from Transformers (BERT) dalam mengklasifikasikan sentimen. Data penelitian berupa tweet berbahasa Indonesia yang dikumpulkan melalui proses crawling menggunakan kata kunci terkait kasus pejabat korupsi. Data tersebut kemudian melalui tahapan prapemrosesan, pelabelan sentimen ke dalam tiga kelas yaitu positif, netral, dan negatif, pembagian dataset, serta pemodelan dan evaluasi. Evaluasi model dilakukan menggunakan confusion matrix dan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa sentimen negatif mendominasi opini masyarakat terhadap kasus pejabat korupsi di media sosial X. Meskipun BERT mencapai akurasi tertinggi (80,09%), model ini cenderung memprediksi seluruh data sebagai kelas mayoritas. Model CNN dan Bi-LSTM menunjukkan kemampuan klasifikasi multikelas yang lebih baik dengan akurasi 77,8% dan 74,5%. Penelitian ini menunjukkan pentingnya mempertimbangkan keseimbangan prediksi antar kelas dalam evaluasi model analisis sentimen, terutama pada dataset dengan ketidakseimbangan distribusi yang signifikan.