IMPLEMENTASI DEEP LEARNING MODEL BIDIRECTIONAL LSTM DALAM ANALISIS SENTIMEN KEPUASAN PUBLIK TERHADAP GUBERNUR JAWA BARAT DEDI MULYADI DI INSTAGRAM

Abstract

Media sosial telah menjadi ruang interaksi publik yang memungkinkan masyarakat menyampaikan opini, dukungan, kritik, dan evaluasi terhadap figur publik maupun kebijakan pemerintah, termasuk melalui platform Instagram. Dedi Mulyadi sebagai tokoh publik memperoleh banyak respons masyarakat melalui kolom komentar pada akun Instagram resminya. Namun, data komentar tersebut masih bersifat tidak terstruktur dan belum dianalisis secara otomatis untuk mengetahui kecenderungan sentimen publik secara objektif. Selain itu, distribusi data sentimen pada media sosial umumnya tidak seimbang (imbalanced dataset), di mana jumlah komentar pada kelas tertentu jauh lebih dominan dibandingkan kelas lainnya. Kondisi ini berpotensi menyebabkan model klasifikasi lebih cenderung mempelajari pola dari kelas mayoritas dan kurang optimal dalam mengenali kelas minoritas. Penelitian ini bertujuan untuk menganalisis sentimen komentar Instagram menggunakan metode Bidirectional Long Short-Term Memory (BiLSTM) ke dalam tiga kategori, yaitu positif, negatif, dan netral, serta menganalisis pengaruh penerapan oversampling terhadap performa model. Data dikumpulkan dari 20 unggahan akun Instagram @dedimulyadi71 melalui proses web scraping. Tahapan penelitian meliputi penyaringan data, preprocessing, pelabelan manual, tokenisasi, padding, transformasi data, serta evaluasi model menggunakan K-Fold Cross Validation (k=5). Setelah proses seleksi dan pembersihan data, diperoleh sebanyak 2.617 komentar yang digunakan sebagai dataset penelitian. Hasil penelitian menunjukkan bahwa distribusi sentimen terdiri atas 1.763 komentar positif, 672 komentar netral, dan 182 komentar negatif, sehingga dataset penelitian termasuk dalam kategori tidak seimbang. Untuk menangani kondisi tersebut, penelitian menggunakan dua skenario eksperimen, yaitu tanpa oversampling dan dengan oversampling berbasis augmentasi teks. Pada skenario tanpa oversampling, model BiLSTM memperoleh rata-rata akurasi sebesar 72,64%. Sementara itu, pada skenario dengan oversampling diperoleh rata-rata akurasi sebesar 74,24%. Hasil tersebut menunjukkan bahwa penerapan oversampling mampu meningkatkan performa model dalam klasifikasi sentimen dibandingkan penggunaan data asli tanpa penyeimbangan kelas. Secara keseluruhan, model BiLSTM mampu mengidentifikasi pola sentimen komentar publik meskipun data bersifat informal, singkat, dan bervariasi. Penelitian ini diharapkan dapat menjadi referensi dalam pengembangan analisis sentimen berbahasa Indonesia pada media sosial serta mendukung pemanfaatan kecerdasan buatan dalam analisis opini publik berbasis data.