Analisis Sentimen Terhadap Pengangkatan Gibran Rakabuming Raka Sebagai Bakal Calon Wakil Presiden Pada Pemilu 2024 Menggunakan Indobert (Studi Kasus : Opini Masyarakat terhadap Pengangkatan Gibran Rakabuming Raka Sebagai Bacawapres pada Media Sosial X)
Abstract
Tugas akhir ini bertujuan untuk menganalisis sentimen masyarakat terhadap
pengangkatan Gibran Rakabuming Raka sebagai bakal calon wakil presiden pada
Pemilu 2024 dengan menggunakan metode IndoBERT pada data yang diambil dari
Twitter atau X. Data yang digunakan merupakan opini masyarakat yang
disampaikan melalui X pada tanggal 22 - 29 Oktober 2023. Metode IndoBERT akan
digunakan untuk mengklasifikasikan sentimen dari setiap opini menjadi tiga
kategori, yaitu positif, netral, dan negatif. Dataset hasil dari prepocessing dibagi
menjadi dua kategori proporsi data training, validation, dan testing dengan
pembagian proporsi I masing-masing 80:10:10 dan proporsi II masing-masing
90:5:5. Hasil penelitian menunjukkan bahwa masyarakat memberikan tanggapan
beragam terhadap pencalonan Gibran sebagai bakal calon wakil presiden. Sentimen
positif berharap pada kontribusi Gibran sebagai sosok muda untuk membawa energi
baru dalam politik, sementara sentimen netral hanya menyebutkan fakta atau tokoh
tanpa opini kuat. Sebaliknya, sentimen negatif khawatir akan potensi dinasti politik
dan mempertanyakan legitimasi proses pencalonan. Dengan hyperparameter
learning rate sebesar 2×10-6
, batch size sebesar 32, dan epoch sebesar 5, akurasi
training, validation, dan testing untuk proporsi I adalah 81%, 75%, dan 75%,
sedangkan untuk proporsi II yaitu 81%, 77%, dan 72%. Hasil analisis dengan model
IndoBERT menggunakan dua proporsi data menunjukkan bahwa performa model
lebih baik pada data training dengan proporsi II, sedangkan proporsi I lebih akurat
pada data testing. Hal ini menegaskan pentingnya keseimbangan data training dan
testing untuk kemampuan generalisasi model yang optimal. Evaluasi model
IndoBERT juga mengungkapkan tantangan dalam membedakan sentimen yang
mirip, seperti netral, negatif, dan positif, terutama ketika terdapat penggunaan kata-
kata sarkastik yang dapat mengaburkan makna sebenarnya.
Collections
- Statistics [1251]
