Analisis Sentimen Mobil Listrik Pada X (Twitter) Menggunakan Metode Long Short-Term Memory (LSTM)
Abstract
Pertumbuhan kendaraan listrik di Indonesia menghadapi tantangan, salah satunya adalah rendahnya adopsi oleh masyarakat. Untuk memahami persepsi publik, dilakukan analisis sentimen berdasarkan opini masyarakat di media sosial X (Twitter) dengan kata kunci mobil listrik. Metode yang digunakan pada penelitian ini adalah Long Short-Term Memory (LSTM), salah satu algoritma deep learning yang efektif untuk mengklasifikasikan data berbasis teks. Data diambil dari Twitter menggunakan kata kunci “Mobil Listrik” dalam rentang Januari 2023 hingga April 2024, dengan total 10,283 tweet. Setiap tweet divalidasi oleh lima responden dan dikategorikan ke dalam sentimen negatif, netral, atau positif berdasarkan mayoritas suara. Proses pengujian dilakukan menggunakan tiga skenario split dataset (70:30, 80:20, dan 90:10) dan dievaluasi menggunakan metrik akurasi, precision, recall, dan f1- score. Hasil pengujian menunjukkan bahwa model LSTM memiliki akurasi pengujian sebesar 55,30% dan akurasi validasi sebesar 57,13%. Model hanya mampu mengenali sentimen netral dengan baik (f1-score: 71%), namun gagal mengklasifikasikan sentimen positif dan negatif. Hal ini menunjukkan adanya ketidakseimbangan kelas, sehingga dibutuhkan upaya perbaikan seperti penyeimbangan data dan optimasi model agar hasil klasifikasi lebih merata.
Kata kunci: analisis sentimen, mobil listrik, LSTM, Twitter, klasifikasi.
References
A. Karimah and G. Dwilestari, “ANALISIS SENTIMEN KOMENTAR VIDEO MOBIL LISTRIK DI PLATFORM YOUTUBE DENGAN METODE NAIVE BAYES,” 2024.
W. Ningsih, B. Alfianda, R. Rahmaddeni, and D. Wulandari, “Perbandingan Algoritma SVM dan Naïve Bayes dalam Analisis Sentimen Twitter pada Penggunaan Mobil Listrik di Indonesia,” 2024.
N. Dienwati, G. Dwilestari, and E. Tohidi, “PENERAPAN ALGORITMA NAÏVE BAYES DAN K-NEAREST NEIGHBOR UNTUK ANALISIS SENTIMEN YOUTUBE MENGENAI INTENSIF MOBIL LISTRIK,” 2023.
T. Prasetyo, A. Adhyaksa Waskita, T. Taryo, J. Raya Puspitek, and K. Pamulang Kota Tangerang Selatan, “Teguh Prasetyo, Arya Adhyaksa Waskita, Taswanda Taryo Analisis Sentimen Pengguna Seputar Kendaraan Listrik Di Twitter Dengan Penerapan Algoritma Naïve Bayes, KNN, dan Decision Tree untuk Klasifikasi.” 2025.
S. J. Pipin, H. Kurniawan, | Jurnal, and S. Mikroskil, “Analisis Sentimen Kebijakan MBKM Berdasarkan Opini Masyarakat di Twitter Menggunakan LSTM,” 2022.
S. Alfataah and N. Cahyono, “SENTIMEN ANALISIS PENGGUNA TWITTER TERHADAP PROVIDER XL AXIATA MENGGUNAKAN METODE SUPPORT VECTOR MACHINE,” 2025.
E.T. Arifin, Jondri “Prediksi Retweet Menggunakan Fitur User based dan Content Based dengan Metode Klasifikasi ANN-GA.”2022.
M. Z. Rahman, Y. A. Sari, and N. Yudistira, “Analisis Sentimen Tweet COVID-19 menggunakan Word Embedding dan Metode Long Short-Term Memory (LSTM),” 2021.
M. N. Romzi, I, Atastina“Analisis Sentiment Judul Berita Ekonomi Terhadap Index Harga Saham Gabungan Menggunakan Metode Long short-Term Memory.” 2023.
F. A. Fadhillah, “ANALISIS SENTIMEN MASYARAKAT TERHADAP PENGGUNAAN KENDARAAN LISTRIK PADA MEDIA SOSIAL TWITTER MENGGUNAKAN ALGORITMA NAÏVE BAYES.”2024.
M. Nouval, D. Ramadhan, and A. Gunaryati, “KLASIFIKASI SENTIMEN PUBLIK TERHADAP KEBIJAKAN KENDARAAN LISTRIK MENGGUNAKAN ALGORITMA NAÏVE BAYES DAN SUPPORT VECTOR MACHINE,” 2025.
M. Farid, N. S. Ferdiana Kusuma, J. Ngagel, and J. Selatan, “Analisis Sentimen pada Media Sosial Twitter Terhadap Kebijakan Pemberlakuan Pembatasan Kegiatan Masyarakat Berbasis Deep Learning,” 2022.
Muthmainnah, Naufal Azmi Verdikha, Fendy Yulianto “KLASIFIKASI ULASAN APLIKASI SIREKAP 2024
DENGAN EKSTRAKSI FITUR WORD2VEC DAN METODE SUPPORT VECTOR MACHINE (SVM)”, 2025.
