Analisis Sentimen Publik Terhadap Isu RUU TNI pada Media Sosial X Menggunakan Algoritma Support Vector Machine dan Bidirectional Gated Recurrent Unit
Abstract
Perkembangan teknologi digital telah mengubah pola komunikasi publik, dengan media sosial menjadi salah satu tempat dalam penyampaian opini masyarakat terhadap isu kebijakan publik, termasuk Rancangan Undang-Undang Tentara Nasional Indonesia (RUU TNI). Penyampaian opini dan pendapat yang berlangsung di platform X menunjukkan keberagaman sikap masyarakat, yang dapat diklasifikasikan ke dalam sentimen positif, negatif, dan netral. Namun, karakteristik bahasa yang tidak baku, penggunaan ragam informal, serta struktur kalimat yang variatif sering menjadi hambatan dalam proses klasifikasi sentimen. Untuk menjawab tantangan tersebut, penelitian ini menerapkan dua pendekatan pemodelan, yakni Bidirectional Gated Recurrent Unit (Bi-GRU) yang dipadukan dengan ekstraksi fitur FastText, serta Support Vector Machine (SVM) yang menggunakan TF-IDF sebagai representasi fitur. Data penelitian diperoleh dari platform X dengan total 7.198 cuitan yang dikumpulkan melalui API menggunakan kata kunci relevan. Selanjutnya, data dipraproses dan diberi label menggunakan model IndoRoBERTA untuk mengidentifikasi sentimen positif, negatif, dan netral. Dataset hasil pelabelan kemudian dibagi menjadi data latih dan data uji. Hasil eksperimen menunjukkan bahwa model Bi-GRU mencapai akurasi tertinggi sebesar 80,76%, sementara SVM dengan TF-IDF memperoleh performa terbaik pada skenario baseline dengan akurasi 79,93% dan F1-score tertinggi pada skenario class weight sebesar 0,6870.
Kata kunci— Analisis Sentimen, RUU TNI, Support Vector Machine, Bidirectional Gated Recurrent Unit
References
M. A. Hayat, S. M. Soraidah, M. N. Rofif, A. R. Asriani, and Parihin, “Analyzing political trends and discourse on Twitter of influential Indonesian accounts,” Nyimak Journal of Communication, vol. 8, no. 1, pp. 141–156, Mar. 2024.
K. Rikan, “Konsep Dwifungsi ABRI dan perannya di masa pemerintahan Orde Baru tahun 1965-1998,” Program Studi Pendidikan Sejarah, Fakultas Keguruan dan Ilmu Pendidikan, Universitas PGRI Yogyakarta, 2014.
F. Syarief, “Pemanfaatan Media Sosial dalam Proses Pembentukan Opini Publik (Analisa Wacana Twitter SBY),” Jurnal Ilmu Komunikasi, 2018.
Y. Nurtikasari, S. Alam, dan T. I. Hermanto, “Analisis Sentimen Opini Masyarakat Terhadap Film Pada Platform Twitter Menggunakan Algoritma Naive Bayes,” Jurnal Informatika, Sekolah Tinggi Teknologi Wastukancana, 2021.
F. Z. Emeraldien, R. J. Sunarsono, and R. Alit, “Twitter sebagai platform komunikasi politik di Indonesia,” SCAN: Jurnal Komunikasi, vol. 14, no. 1, pp. 21–30, Feb. 2019.
D. D. Putri, G. F. Nama, and W. E. Sulistiono, “Analisis sentimen kinerja Dewan Perwakilan Rakyat (DPR) pada Twitter menggunakan metode Naive Bayes Classifier,” Jurnal Informatika Dan Teknik Elektro Terapan, vol. 10, no. 1, Jan. 2022, doi: 10.23960/jitet.v10i1.2262.
H. Parveen and S. Pandey, “Sentiment analysis on Twitter Data-set using Naive Bayes algorithm,” 2016 2nd International Conference on Applied and Theoretical Computing and Communication Technology (iCATccT), Jan. 2016, doi: 10.1109/icatcct.2016.7912034.
R. Kumar and S. Garg, “Aspect-Based sentiment analysis using deep Learning convolutional neural network,” in Advances in intelligent systems and computing, 2019, pp. 43–52. doi: 10.1007/978-981-13-7166-0_5.
V. R. Prasetyo, N. Benarkah, and V. J. Chrisintha, “Implementasi natural language processing dalam pembuatan chatbot pada Program Information Technology Universitas Surabaya,” Teknika, vol. 10, no. 2, pp. 114–121, Jul. 2021, doi: 10.34148/teknika.v10i2.370.
V. Chandradev, I. M. A. D. Suarjaya, dan I. P. A. Bayupati, “Analisis Sentimen Review Hotel Menggunakan Metode Deep Learning BERT,” Jurnal Ilmu Komputer dan Teknologi Informasi, Universitas Udayana, 2021.
N. Zainuddin and A. Selamat, “Sentiment analysis using Support Vector Machine,” 2014 International Conference on Computer, Communications, and Control Technology (I4CT), pp. 333–337, Sep. 2014, doi: 10.1109/i4ct.2014.6914200.
T. M. P. Aulia, N. Arifin, dan R. Mayasari, “Perbandingan Kernel Support Vector Machine (SVM) dalam Penerapan Analisis Sentimen Vaksinasi COVID-19,” Jurnal Informatika, Universitas Singaperbangsa Karawang, 2021.
W. Ali, Y. Yang, X. Qiu, Y. Ke, dan Y. Wang, “Aspect-Level Sentiment Analysis Based on Bidirectional-GRU in SIoT,” IEEE Access, vol. 9, pp. 68445–68454, 2021, doi: 10.1109/ACCESS.2021.3077377.
H. Snyder, “Literature review as a research methodology: An overview and guidelines,” Journal of Business Research, vol. 104, pp. 333–339, 2019.
Jin Wang, You Zhang, Liang-Chih Yu, Xuejie Zhang. (2022). “Contextual sentiment embeddings via bi-directional GRU language model”. Knowledge-Based Systems, 235, 107663. https://doi.org/10.1016/j .knosys.2021.107663.
Z. Gao, Z. Li, J. Luo, and X. Li, “Short text aspect-based sentiment analysis based on CNN + BiGRU,” Applied Sciences, vol. 12, no. 2707, 2022. doi: 10.3390/app12052707.
E. I. Setiawan, F. Ferry, J. Santoso, S. Sumpeno, K. Fujisawa, and M. H. Purnomo, “Bidirectional GRU for targeted aspect-based sentiment analysis based on character-enhanced token-embedding and multi-level attention,” International Journal of Intelligent Engineering and Systems, vol. 13, no. 4, pp. 392–402, 2020.
M. A. Rohman, Suhartono, dan T. Chamidy, “Bidirectional GRU dengan Attention Mechanism pada Analisis Sentimen PLN Mobile,” Techno.COM, vol. 22, no. 2, pp. 358–372, Mei 2023.
A. Bhuvaneswari, J. T. Jones Thomas, and P. Kesavan, “Embedded Bi-directional GRU and LSTMLearning Models to Predict Disasterson Twitter Data,” Procedia Comput. Sci., vol. 165, pp. 511–516, 2019, doi: 10.1016/j.procs.2020.01.020.
R. Syahputra, G. J. Yanris, and D. Irmayani, “SVM and Naïve Bayes Algorithm Comparison for User Sentiment Analysis on Twitter,” SinkrOn, vol. 7, no. 2, pp. 671–678, May 2022, doi: 10.33395/sinkron.v7i2.11430.
M. A. Rofiqi, A. C. Fauzan, A. P. Agustin, A. A. Saputra, and H. D. Fahma, “Implementasi term-frequency inverse document frequency (TF-IDF) untuk mencari relevansi dokumen berdasarkan query,” ILKOMNIKA: Journal of Computer Science and Applied Informatics, vol. 1, no. 2, pp. 58–64, Dec. 2019.
C. Firalya, D. E. Ratnawati, and N. Y. Setiawan, “Analisis sentimen data ulasan aplikasi Pegadaian Digital menggunakan metode Support Vector Machine,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 1, no. 1, Sep. 2024.
A. P. Wibawa, F. Miftahuddin, and Suyono, “K-Medoids clustering untuk pembentukan database stopword Bahasa Jawa,” Ranah: Jurnal Kajian Bahasa, vol. 10, no. 2, pp. 261–269, 2021, doi: 10.26499/rnh/v9i2.1490.
A. Guterres, Gunawan, and J. Santoso, “Stemming Bahasa Tetun menggunakan pendekatan rule based,” Magister Teknologi Informasi, Sekolah Tinggi Teknik Surabaya, pp. 142–150.
A. F. Pangestu, B. Rahmat, and A. N. Sihananto, “Analisis sentimen pada media sosial X terhadap implementasi Kurikulum Merdeka menggunakan metode FastText dan Long Short-Term Memory (LSTM),” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 9, no. 4, pp. 2271–2280, Dec. 2024, doi: 10.29100/jipi.v9i4.5665.
E. Sutoyo and M. A. Fadlurrahman, “Penerapan SMOTE untuk mengatasi imbalance class dalam klasifikasi television advertisement performance rating menggunakan Artificial Neural Network,” JEPIN: Jurnal Edukasi dan Penelitian Informatika, vol. 6, no. 3, pp. 379–388, Dec. 2020.
A. A. Bhirawa and U. P. Sanjaya, “From data imbalance to precision: SMOTE-Driven Machine learning for early detection of kidney disease,” INOVTEK Polbeng - Seri Informatika, vol. 10, no. 1, pp. 514–525, Mar. 2025, doi: 10.35314/7jgjmg64.
H. Akbar and W. K. Sanjaya, “Kajian Performa Metode Class Weight Random Forest pada Klasifikasi Imbalance Data Kelas Curah Hujan,” Jurnal Sains Nalar Dan Aplikasi Teknologi Informasi, vol. 3, no. 1, Dec. 2023, doi: 10.20885/snati.v3i1.30.
A. M. Rahat, A. Kahir, and A. K. M. Masum, “Comparison of Naive Bayes and SVM Algorithm based on Sentiment Analysis Using Review Dataset,” Th International Conference on System Modeling & Advancement in Research Trends, pp. 266–270, Nov. 2019, doi: 10.1109/smart46866.2019.9117512.
Kowalczyk, A. (2017). Support Vector Machines Succinctly. USA: Syncfusion.
S. S. M. M. Rahman, K. B. Md. B. Biplob, Md. H. Rahman, K. Sarker, and T. Islam, “An investigation and evaluation of N-Gram, TF-IDF and ensemble methods in sentiment classification,” in Springer eBooks, 2020, pp. 391–402. doi: 10.1007/978-3-030-52856-0_31.
