Analisis Sentimen Tweet Politik Pemilu Indonesia menggunakan RoBERTa-BiLSTM

ABSTRAK

Media sosial, khususnya Twitter, menjadi ruang penting dalam pembentukan dan pertukaran opini politik. Analisis sentimen dapat digunakan untuk memahami persepsi publik terhadap isu politik, termasuk Pemilu Indonesia. Namun, penggunaan bahasa yang informal, kompleks, dan ambigu serta dinamika politik menuntut model yang mampu menangkap konteks secara mendalam. Oleh karena itu, penelitian ini membandingkan kinerja beberapa metode deep learning dalam analisis sentimen data Twitter terkait politik. Data yang digunakan dalam penelitian ini merupakan data yang telah dikumpulkan dari media sosial X. Proses pengumpulan data pada X menggunakan tool x-harvest yang dijalankan melalui perintah npx berbasis Node.js. Tool ini melakukan harvesting data X dari tab LATEST berdasarkan kata kunci pencarian tertentu, dengan parameter bahasa yang diinginkan dan jumlah maksimal tweet yang diambil sesuai dengan kebutuhan. Proses pengumpulan data ini biasa disebut dengan scraping data. Metode yang digunakan adalah RoBERTa-BiLSTM serta sebagai pembanding Word2Vec-BiLSTM dan FastText-BiLSTM. Hasil penelitian menunjukkan bahwa penggunaan representasi bahasa berbasis konteks mampu meningkatkan performa klasifikasi dibandingkan pendekatan embedding. Model Word2Vec-BiLSTM memperoleh nilai Precision sebesar 0.5922, Recall sebesar 0.6926, F1-Score sebesar 0.6289, serta Accuracy sebesar 0.8178. Model FastText-BiLSTM memperoleh nilai Precision sebesar 0.9096, Recall sebesar 0.5628, F1-Score sebesar 0.6484, meskipun Accuracy model masih tergolong tinggi, yaitu sebesar 0.8893. Berbeda dengan kedua model sebelumnya, RoBERTa-BiLSTM menunjukkan performa yang paling optimal pada sebagian besar metrik evaluasi. Model ini berhasil memperoleh nilai Accuracy tertinggi sebesar 0.9255, disertai nilai Recall sebesar 0.8261 dan F1-Score sebesar 0.8248, yang juga merupakan capaian terbaik dibandingkan model lainnya. Selain itu, nilai Precision sebesar 0.8279 menunjukkan bahwa model memiliki tingkat keseimbangan performa yang sangat baik dalam proses klasifikasi sentimen. Hasil tersebut mengindikasikan bahwa integrasi RoBERTa dengan BiLSTM mampu menghasilkan representasi fitur yang lebih kaya dan kontekstual untuk memahami konteks tweet politik Indonesia serta meningkatkan kemampuan klasifikasi sentimen.

ABSTRACT

Social media, particularly Twitter, has become an important space for the formation and exchange of political opinions. Sentiment analysis can be used to understand public perceptions of political issues, including the Indonesian general election. However, the use of informal, complex, and ambiguous language, along with political dynamics, requires models capable of capturing context in depth. Therefore, this study compares the performance of several deep learning methods for sentiment analysis of political data from Twitter. The data used in this study were collected from the social media platform X. The data collection process on X used the x-harvest tool, which was executed through a Node.js-based npx command. This tool harvests data from X's "LATEST" tab based on specific search keywords, with parameters for the desired language and the maximum number of tweets to be retrieved according to the research requirements. This data collection process is commonly referred to as data scraping. The method used is RoBERTa-BiLSTM, with Word2Vec-BiLSTM and FastText-BiLSTM serving as comparison models. The results show that the use of context-based language representations can improve classification performance compared with embedding approaches. The Word2Vec-BiLSTM model achieved a Precision of 0.5922, a Recall of 0.6926, an F1-Score of 0.6289, and an Accuracy of 0.8178. The FastText-BiLSTM model achieved a Precision of 0.9096, a Recall of 0.5628, and an F1-Score of 0.6484, although the model's Accuracy remained relatively high at 0.8893. In contrast to the two previous models, RoBERTa-BiLSTM demonstrated the most optimal performance across most evaluation metrics. This model achieved the highest Accuracy of 0.9255, along with a Recall of 0.8261 and an F1-Score of 0.8248, which were also the best results compared with the other models. In addition, the Precision of 0.8279 indicates that the model has a very good level of performance balance in the sentiment classification process. These results indicate that integrating RoBERTa with BiLSTM can produce richer and more contextual feature representations for understanding the context of Indonesian political tweets and improving sentiment classification capabilities.

مستخلص البحث

تعد وسائل التواصل الاجتماعي، ولا سيما تويتر، فضاء مهما في تشكيل الآراء السياسية وتبادلها. ويمكن استخدام تحليل المشاعر لفهم تصورات الجمهور تجاه القضايا السياسية، بما في ذلك الانتخابات الإندونيسية. ومع ذلك، فإن استخدام اللغة غير الرسمية والمعقدة والملتبسة، إلى جانب ديناميكيات السياسة، يتطلب نموذجا قادرا على التقاط السياق بصورة عميقة. ولذلك، تقارن هذه الدراسة أداء عدد من أساليب التعلم العميق في تحليل مشاعر بيانات تويتر المتعلقة بالسياسة. وقد استخدمت في هذه الدراسة بيانات جمعت من وسائل التواصل الاجتماعي X. وتمت عملية جمع البيانات من منصة X باستخدام أداة x-harvest التي تشغل من خلال الأمر npx القائم على Node.js. وتقوم هذه الأداة بحصاد بيانات X من تبويب LATEST استنادا إلى كلمات مفتاحية محددة للبحث، مع تحديد معلمة اللغة المطلوبة والحد الأقصى لعدد التغريدات التي يتم جمعها وفقا للاحتياجات. وتعرف عملية جمع البيانات هذه عادة باسم كشط البيانات (Data Scraping). والطريقة المستخدمة هي RoBERTa-BiLSTM، مع استخدام Word2Vec-BiLSTM وFastText-BiLSTM كنماذج للمقارنة. وأظهرت نتائج الدراسة أن استخدام تمثيل لغوي قائم على السياق قادر على تحسين أداء التصنيف مقارنة بنهج التضمين (Embedding). وقد حقق نموذج Word2Vec-BiLSTM قيمة Precision بلغت 0.5922، وRecall بلغت 0.6926، وF1-Score بلغت 0.6289، بالإضافة إلى Accuracy بلغت 0.8178. في حين حقق نموذج FastText-BiLSTM قيمة Precision بلغت 0.9096، وRecall بلغت 0.5628، وF1-Score بلغت 0.6484، على الرغم من أن قيمة Accuracy للنموذج ظلت مرتفعة، حيث بلغت 0.8893. وعلى خلاف النموذجين السابقين، أظهر نموذج RoBERTa-BiLSTM أداء أمثل في معظم مقاييس التقييم. فقد حقق هذا النموذج أعلى قيمة Accuracy بلغت 0.9255، إلى جانب قيمة Recall بلغت 0.8261 وقيمة F1-Score بلغت 0.8248، وهما أيضا أفضل النتائج مقارنة بالنماذج الأخرى. بالإضافة إلى ذلك، أظهرت قيمة Precision البالغة 0.8279 أن النموذج يتمتع بتوازن جيد جدا في الأداء أثناء عملية تصنيف المشاعر. وتشير هذه النتائج إلى أن دمج RoBERTa مع BiLSTM قادر على إنتاج تمثيل للخصائص أكثر ثراء وسياقية لفهم سياق التغريدات السياسية الإندونيسية، فضلا عن تحسين قدرة تصنيف المشاعر.