Media sosial, khususnya YouTube, telah menjadi ruang diskusi publik terhadap
berbagai isu kebijakan, termasuk pembentukan Daya Anagata Nusantara
(Danantara). Di tengah meningkatnya opini publik yang beragam, belum tersedia
sistem otomatis yang mampu menganalisis kecenderungan sentimen masyarakat
secara efisien. Model LSTM standalone sering kali menghasilkan akurasi yang
fluktuatif pada data teks berbahasa Indonesia, sementara kombinasi LSTM dan
Skip-gram masih jarang diterapkan dalam konteks kebijakan politik domestik.
Penelitian ini bertujuan untuk mengidentifikasi pola sentimen publik terhadap
kebijakan Danantara melalui analisis komentar YouTube, serta mengevaluasi
performa model kombinasi LSTM dan Skip-gram dibandingkan dengan LSTM
standalone. Metode yang digunakan mengikuti pendekatan SEMMA (Sample,
Explore, Modify, Model, Assess). Sebanyak 1.000 komentar digunakan untuk
analisis sentimen, sementara 2.480 data digunakan sebagai korpus pelatihan
embedding Skip-gram. Pelabelan dilakukan dengan pendekatan leksikon (InSet)
dan klasifikasi bersifat biner (positif-negatif). Evaluasi performa dilakukan
menggunakan confusion matrix dan metrik klasifikasi (accuracy, precision, recall,
F1-score) pada tiga skema data: 70:15:15, 80:10:10, dan 90:5:5. Hasil
menunjukkan bahwa sentimen publik terhadap Danantara cenderung negatif,
dengan banyak komentar yang menyuarakan kekhawatiran atas potensi
penyalahgunaan kebijakan. Model LSTM standalone menghasilkan performa
tertinggi pada skema 90:5:5 dengan akurasi 92% dan F1-score 91,66%. Sebaliknya,
kombinasi LSTM dan Skip-gram menunjukkan validasi yang lebih stabil (84%-
86%) namun mencatat F1-score terendah 78,91% pada data uji akibat rendahnya
recall. Dengan demikian, meskipun model kombinasi lebih stabil selama pelatihan
dan validasi, LSTM standalone lebih unggul dalam mengeneralisasi terhadap data
nyata.Media sosial, khususnya YouTube, telah menjadi ruang diskusi publik terhadap berbagai isu kebijakan, termasuk pembentukan Daya Anagata Nusantara (Danantara). Di tengah meningkatnya opini publik yang beragam, belum tersedia sistem otomatis yang mampu menganalisis kecenderungan sentimen masyarakat secara efisien. Model LSTM standalone sering kali menghasilkan akurasi yang fluktuatif pada data teks berbahasa Indonesia, sementara kombinasi LSTM dan Skip-gram masih jarang diterapkan dalam konteks kebijakan politik domestik. Penelitian ini bertujuan untuk mengidentifikasi pola sentimen publik terhadap kebijakan Danantara melalui analisis komentar YouTube, serta mengevaluasi performa model kombinasi LSTM dan Skip-gram dibandingkan dengan LSTM standalone. Metode yang digunakan mengikuti pendekatan SEMMA (Sample, Explore, Modify, Model, Assess). Sebanyak 1.000 komentar digunakan untuk analisis sentimen, sementara 2.480 data digunakan sebagai korpus pelatihan embedding Skip-gram. Pelabelan dilakukan dengan pendekatan leksikon (InSet) dan klasifikasi bersifat biner (positif-negatif). Evaluasi performa dilakukan menggunakan confusion matrix dan metrik klasifikasi (accuracy, precision, recall, F1-score) pada tiga skema data: 70:15:15, 80:10:10, dan 90:5:5. Hasil menunjukkan bahwa sentimen publik terhadap Danantara cenderung negatif, dengan banyak komentar yang menyuarakan kekhawatiran atas potensi penyalahgunaan kebijakan. Model LSTM standalone menghasilkan performa tertinggi pada skema 90:5:5 dengan akurasi 92% dan F1-score 91,66%. Sebaliknya, kombinasi LSTM dan Skip-gram menunjukkan validasi yang lebih stabil (84%- 86%) namun mencatat F1-score terendah 78,91% pada data uji akibat rendahnya recall. Dengan demikian, meskipun model kombinasi lebih stabil selama pelatihan dan validasi, LSTM standalone lebih unggul dalam mengeneralisasi terhadap data nyata.

S12037

INF 0064 2025

Bekasi

Tersedia