Sentiment Analysis dan Topic Modeling pada Tweet Bahasa Indonesia Mengenai Pemilihan Umum 2024

Abstract

Media sosial memainkan peran penting dalam menyebarluaskan informasi dan opini publik, terutama dalam konteks Pemilihan Umum (Pemilu) 2024 di Indonesia. Analisis sentimen dan pemodelan topik menjadi metode yang efektif untuk memahami persepsi masyarakat terhadap pemilu berdasarkan data dari media sosial X (sebelumnya Twitter). Penelitian ini bertujuan untuk mengembangkan model analisis sentimen yang mampu mengklasifikasikan sentimen positif, netral, dan negatif pada tweet berbahasa Indonesia serta mengidentifikasi topik utama yang muncul dalam diskusi publik mengenai pemilu. Metode yang digunakan dalam analisis sentimen mencakup pendekatan machine learning dan deep learning, yaitu Naïve Bayes, Support Vector Machine (SVM), Long Short-Term Memory (LSTM), dan Gated Recurrent Unit (GRU). Selain itu, pemodelan topik dilakukan menggunakan Latent Dirichlet Allocation (LDA) untuk menemukan pola tematik dalam diskusi di media sosial. Data yang digunakan dikumpulkan dalam rentang waktu Januari hingga April 2024, dengan total 4500 tweet. Hasil penelitian menunjukkan bahwa metode Naïve Bayes memiliki kinerja terbaik dalam klasifikasi sentimen dengan akurasi 64%, diikuti oleh SVM dengan 63%, sementara metode deep learning seperti LSTM dan GRU menunjukkan performa yang lebih rendah. Pemodelan topik mengidentifikasi delapan topik utama yang mencerminkan berbagai aspek perbincangan publik tentang pemilu, termasuk dukungan terhadap calon, keamanan pemilu, peran KPU dan Bawaslu, serta isu-isu terkait kecurangan. Dengan pendekatan metodologis yang sistematis, penelitian ini memberikan wawasan mengenai opini publik terhadap Pemilu 2024 dan dapat berkontribusi dalam perancangan strategi komunikasi serta kebijakan publik berbasis data.