Klasifikasi tanggapan masyarakat terkait kebijakan efisiensi anggaran 2025 menggunakan metode Long Short Term Memory (LSTM)

INDONESIA :
Seiring dengan diberlakukannya kebijakan Efisiensi Anggaran 2025, pemerintah mendapatkan berbagai tanggapan dari masyarakat yang tersebar di platform media sosial. Tanggapan masyarakat ini, yang terdiri dari teks tidak terstruktur, perlu dianalisis untuk memahami sentimen publik terhadap kebijakan tersebut. Penelitian ini berfokus untuk mengklasifikasikan sentimen masyarakat, baik positif maupun negatif, menggunakan model Long Short-Term Memory (LSTM). Data yang digunakan berupa tweet masyarakat yang telah melalui tahapan preprocessing, termasuk data cleaning, case folding, normalisasi, stopword removal, stemming, dan tokenizing, untuk memastikan data yang digunakan relevan dan bersih dari kata-kata yang tidak perlu. Model LSTM dilatih untuk mengklasifikasikan sentimen pada tweet dan dilakukan pembagian data untuk melihat performanya. Hasilnya menunjukkan akurasi 94,38% pada rasio bagi data 80:20 dengan parameter epoch 10 batch size 32 dengan performa yang baik pada metrik presisi, recall, dan f1-score. Hasil ini membuktikan bahwa LSTM dapat digunakan secara efektif untuk menganalisis sentimen masyarakat terhadap kebijakan efisiensi anggaran 2025, memberikan insight yang bermanfaat bagi evaluasi dampak kebijakan tersebut.

ENGLISH:
Along with the enactment of the Budget Efficiency 2025 policy, the government has received various responses from the public spread across social media platforms. These public responses, which consist of unstructured text, need to be analyzed to understand the public sentiment towards the policy. This research focuses on classifying public sentiments, both positive and negative, using the Long Short-Term Memory (LSTM) model, which is effective in processing sequential data such as text. The data used are public tweets that have gone through preprocessing stages, including data cleaning, case folding, normalisasi, stopword removal, stemming, and tokenizing, to ensure the data used are relevant and clean from unnecessary words. The LSTM model was trained to classify sentiment in tweets, and data splitting was performed to assess its performance. The results showed an accuracy of 94.38% on an 80:20 data ratio with parameters of 10 epochs and a batch size of 32, with good performance on the precision, recall, and F1-score metrics. These results prove that LSTM can be effectively used to analyze public sentiment towards the 2025 budget efficiency policy, providing useful insights for evaluating the impact of the policy.

ARABIC:
مع تطبيق سياسة كفاءة الميزانية 2025، تلقت الحكومة ردود فعل متنوعة من الجمهور عبر منصات التواصل الاجتماعي. ردود فعل الجمهور هذه، التي تتكون من نصوص غير منظمة، تحتاج إلى تحليل لفهم الرأي العام تجاه هذه السياسة. تركز هذه الدراسة على تصنيف ردود فعل الجمهور، سواء كانت إيجابية أو سلبية، باستخدام نموذج Long Short-Term Memory (LSTM). البيانات المستخدمة هي تغريدات المجتمع التي خضعت لمراحل المعالجة المسبقة، بما في ذلك تنظيف البيانات، وتوحيد الأحرف، والتطبيع، وإزالة الكلمات الزائدة، واستخراج الجذور، وتجزئة الكلمات، لضمان أن البيانات المستخدمة ذات صلة وخالية من الكلمات غير الضرورية. تم تدريب نموذج LSTM على تصنيف المشاعر في التغريدات وتم تقسيم البيانات لمعرفة أدائه. أظهرت النتائج دقة بنسبة 94.38٪ على نسبة البيانات 80:20 مع معلمات epoch 10 وحجم الدفعة 32 مع أداء جيد في مقاييس الدقة والاسترجاع و f1-score. تثبت هذه النتائج أن LSTM يمكن استخدامه بشكل فعال لتحليل مشاعر المجتمع تجاه سياسة كفاءة الميزانية لعام 2025، مما يوفر رؤى مفيدة لتقييم تأثير هذه السياسة.