Analisis Sentimen Opini Publik Menggunakan Metode BiLSTM Pada Media Sosial Twitter

Abstract

Twitter merupakan salah satu media sosial untuk mengekspresikan opini publik mengenai isu yang sedang dalam perbincangan. Pro-kontra terhadap keputusan MK atas pengabulan seluruh permohonan judicial review terkait Pasal 29 huruf e dan Pasal 34 UU KPK menjadi perbincangan di sosial media, dalam kasus ini Twitter. Tujuan penelitian ini adalah untuk mengetahui perbandingan tingkat akurasi term weighting TF-IDF dan Word2Vec menggunakan model BiLSTM dalam preferensi sentiment analisis opini publik terkait perpanjangan masa jabatan pimpinan KPK dan UU KPK. Penelitian yang dilakukan berguna untuk menganalisa analisis opini publik di Twitter kedalam kelas positif atau negatif. Dengan menggunakan metode BiLSTM, klasifikasi opini dilakukan oleh peneliti. Metode pembobotan yang digunakan dalam penelitian ini adalah TF-IDF dan Word2Vec yang berguna untuk mengukur bobot setiap kata pada sebuah tweet. Dengan metode deep learning BiLSTM dan kombinasi antara term weighting TF-IDF dan term weighting Word2Vec, dapat memberikan hasil evaluasi performansi terbaik pada rasio 80:20 dengan nilai precision 85.00%, recall 86.85%, dan F1-score 85.92%. Hasil pengujian menunjukkan bahwa TF-IDF memiliki akurasi sebesar 84.84%.  dan pembobotan Word2Vec memiliki akurasi sebesar 85.72%. Dari penelitian ini didapati bahwa dari hasil Perbandingan model BiLSTM dengan Word2Vec lebih unggul dibanding dengan model BiLSTM dengan TF-IDF.

Kata Kunci: analisis sentimen, BiLSM, TF-IDF, Word2Vec, Twitter.