Analisis Sentimen Berbasis Jaringan LSTM dan BERT terhadap Diskusi Twitter tentang Pemilu 2024

Pemilihan Umum (Pemilu) merupakan peristiwa politik penting yang memicu banyak diskusi di media sosial, terutama di platform seperti Twitter. Analisis sentimen dari diskusi ini dapat memberikan wawasan mengenai pandangan masyarakat terhadap calon, partai, serta isu-isu yang terkait. Penelitian ini berfokus pada penerapan dua model deep learning, yaitu Long Short-Term Memory (LSTM) dan Bidirectional Encoder Representations from Transformers (BERT), untuk menganalisis sentimen diskusi Twitter tentang Pemilu 2024. Kedua model ini dipilih karena kemampuan mereka dalam menangani data teks yang kompleks dan konteks bahasa alami. Dataset yang digunakan dalam penelitian ini terdiri dari ribuan tweet terkait Pemilu 2024, yang diklasifikasikan ke dalam tiga kategori sentimen, yaitu positif, negatif, dan netral. Data terlebih dahulu diproses melalui tahap pembersihan teks dan tokenisasi. Model LSTM dan BERT dilatih menggunakan dataset ini untuk memprediksi sentimen dengan fokus pada peningkatan akurasi prediksi. Hasil eksperimen menunjukkan bahwa model BERT secara konsisten memberikan performa yang lebih baik dibandingkan dengan LSTM. Model BERT berhasil mencapai akurasi validasi sebesar 76.48% pada epoch kedua, sedangkan model LSTM hanya mencapai akurasi maksimal 87 %. Meskipun demikian, model BERT mulai menunjukkan gejala overfitting pada epoch ketiga, dengan peningkatan nilai loss pada data validasi. Hal ini menunjukkan bahwa tuning lebih lanjut pada hyperparameter seperti jumlah epoch dan learning rate diperlukan untuk meningkatkan generalisasi model. Sementara itu, model LSTM menunjukkan stabilitas yang lebih baik, meskipun akurasinya lebih rendah, terutama dalam menangani dependensi konteks yang lebih sederhana. Secara keseluruhan, penelitian ini menegaskan bahwa model BERT lebih efektif dalam menangkap konteks kompleks pada teks Twitter terkait Pemilu 2024 dibandingkan dengan LSTM. Namun, tantangan seperti overfitting dan optimasi hyperparameter tetap menjadi perhatian utama. Untuk meningkatkan performa lebih lanjut, perlu dipertimbangkan teknik augmentasi data dan tuning hyperparameter yang lebih optimal. Penelitian ini juga membuka peluang untuk pengembangan model hibrida yang menggabungkan keunggulan LSTM dan BERT dalam analisis sentimen berbasis teks.