Analisis Sentimen pada X Terhadap Pilkada 2024 Menggunakan Ekspansi Fitur FastText dan CNN dengan Optimasi Bat Algorithm
Abstract
Pilkada 2024 merupakan momentum penting dalam
demokrasi Indonesia yang akan menentukan arah
pembangunan daerah. Dalam konteks ini, analisis sentimen
dapat menjadi alat yang efektif untuk memahami opini
publik terhadap calon pemimpin dan isu-isu yang berkaitan
dengan Pilkada. Penelitian ini bertujuan untuk
mengimplementasikan sistem analisis sentimen
menggunakan Convolutional Neural Network (CNN) yang
dioptimalkan dengan Bat Algorithm dan ekspansi fitur
menggunakan FastText. Metode ini diterapkan pada data
tweet berbahasa Indonesia yang dikumpulkan selama
periode Pilkada 2024. Hasil evaluasi menunjukkan bahwa
akurasi tertinggi diperoleh dengan menggunakan max
feature sebesar 15.000 (73,01%), konfigurasi Uni-Bigram
(73,30%), dan ekspansi fitur menggunakan FastText dengan
korpus Tweet + IndoNews pada Top 1 (73,82%). Optimasi
menggunakan Bat Algorithm memberikan peningkatan
sebesar 0,05% (73,82% menjadi 73,87%), yang
menunjukkan bahwa FastText secara signifikan
meningkatkan akurasi model. Bat Algorithm terbukti efektif
dalam mengoptimalkan parameter model dan memberikan
kontribusi positif dalam peningkatan kinerja. Penelitian ini
menunjukkan bahwa penggunaan FastText dapat
memperbaiki akurasi model analisis sentimen, sementara Bat
Algorithm juga memberikan kontribusi yang berharga
dalam optimasi model.
Kata kunci: analisis sentimen, CNN, bat algorithm, fasttext, pilkada 2024, optimasi
References
M. Yusuf, D. Subekti, M. Wahid, and M. Saadah,
“Bureaucrat’s Political Activities in the 2020
Simultaneous Regional Elections in Indonesia: What They
Express on Social Media?,” no. Icsp, pp. 164–171, 2023,
doi: 10.2991/978-2-38476-194-4_18.
B. Bansal and S. Srivastava, “On predicting elections
with hybrid topic based sentiment analysis of tweets,”
Procedia Comput. Sci., vol. 135, pp. 346–353, 2018, doi:
1016/j.procs.2018.08.183
M. R. Haque, S. Akter Lima, and S. Z. Mishu,
“Performance Analysis of Different Neural Networks for
Sentiment Analysis on IMDb Movie Reviews,” 3rd Int.
Conf. Electr. Comput. Telecommun. Eng. ICECTE 2019,
pp. 161–164, 2019, doi:
1109/ICECTE48615.2019.9303573.
I. Santos, N. Nedjah, and L. De Macedo
Mourelle, “Sentiment analysis using convolutional neural
network with fasttext embeddings,” 2017 IEEE Lat. Am.
Conf. Comput. Intell. LA-CCI 2017 - Proc., vol. 2018-
Janua, pp. 2–6, 2017, doi: 10.1109/LACCI.2017.8285683.
I. Chalkidis and D. Kampas, “Deep learning in
law: early adaptation and legal word embeddings trained
on large corpora,” Artif. Intell. Law, vol. 27, no. 2, pp.171–
, 2019, doi: 10.1007/s10506-018-9238-9
R. A. Rudiyanto and E. B. Setiawan, “Sentiment
Analysis Using Convolutional Neural Network (CNN) and
Particle Swarm Optimization on Twitter,” JITK (Jurnal
Ilmu Pengetah. dan Teknol. Komputer), vol. 9, no. 2, pp.
–195, 2024, doi: 10.33480/jitk.v9i2.5201.
T. Darwassh Hanawy Hussein, M. Frikha, S.
Ahmed, and J. Rahebi, “BA-CNN: Bat Algorithm-Based
Convolutional Neural Network Algorithm for Ambulance
Vehicle Routing in Smart Cities,” Mob. Inf. Syst., vol.
, 2022, doi: 10.1155/2022/7339647.
I. Kaibi, E. H. Nfaoui, and H. Satori, “A
comparative evaluation of word embeddings techniques
for twitter sentiment analysis,” 2019 Int. Conf. Wirel.
Technol. Embed. Intell. Syst. WITS 2019, pp. 1–4, 2019,
doi: 10.1109/WITS.2019.8723864.
E. Utami, S. Raharjo, O. M. A. Alsyaibani, and C.
Adipradana, “Machine Learning Optimization using Bat
Algorithm to Classify Sentiment of Twitter Users,” 2022
