LSTM DENGAN DEEP LEARNING UNTUK KLASIFIKASI OPINI PUBLIK KELANGKAAN BAHAN BAKAR PASCA BANJIR DI MEDIA SOSIAL X
Isi Artikel Utama
Abstrak
Penelitian ini berjudul Pemanfaatan LSTM dalam Deep Learning untuk Klasifikasi Opini Publik Kelangkaan Bahan Bakar Pasca Banjir di Media Sosial X. Penelitian bertujuan menganalisis sentimen publik terkait kelangkaan bahan bakar pasca banjir dengan menerapkan metode Long Short-Term Memory (LSTM) pada unggahan di platform X (dahulu Twitter). Data dikumpulkan menggunakan tool Tweet-Harvest melalui API X, kemudian diproses dengan tahapan preprocessing seperti case folding dan tokenizing, serta pelabelan otomatis menggunakan model transformer IndoBERT. Sebanyak 8.850 tweet tentang kelangkaan bahan bakar pasca banjir diklasifikasikan ke dalam dua kategori sentimen, yaitu positif dan negatif. Model LSTM dibangun dengan satu layer embedding, satu layer LSTM berukuran 128 unit, dan satu layer dropout, lalu dievaluasi menggunakan metrik akurasi, precision, recall, dan f1-score. Hasil pengujian menunjukkan bahwa model mencapai akurasi keseluruhan sebesar 85,11% dengan performa yang lebih baik dalam mengklasifikasikan sentimen negatif dibandingkan positif. Mayoritas tweet yang dianalisis cenderung menunjukkan sentimen negatif terhadap kelangkaan bahan bakar, mencerminkan keresahan masyarakat terhadap ketersediaan serta distribusi energi pasca bencana. Simpulan penelitian menegaskan bahwa metode LSTM efektif digunakan untuk menganalisis opini publik mengenai kelangkaan bahan bakar dan temuannya dapat menjadi masukan penting bagi pemangku kebijakan dalam merumuskan respons yang tepat. Penelitian ini juga memberikan kontribusi pada pengembangan studi analisis sentimen di Indonesia, khususnya terkait isu-isu kebencanaan dan krisis energi dengan pendekatan deep learning
Rincian Artikel
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Copyright (c) STMIK TIMEReferensi
[1] T. S. Alasi, Ilmu komputer. Deli Serdang, Indonesia: Media Publikasi Idpress, 2024.
[2] T. S. Alasi et al., “Pemrograman Terstruktur dengan Bahasa Pemrograman Pascal.” Media Sains Indonesia, 2023.
[3] J. Damanik, T. S. Alasi, and V. J. Sianipar, “Smart City Untuk Kemudahan Pelayanan Publik Kota Binjai dengan Pendekatan Sistem Terdistribusi dan Kecerdasan Buatan,” J. RAMBUTAN, vol. 1, no. 1, pp. 46–52, Dec. 2025.
[4] R. Topik, “PENGEMBANGAN PERANGKAT LUNAK.”
[5] A. O. K. Adi, F. P. Gusti, and F. Wijaya, “Analisis Sentimen Ulasan Pengguna Aplikasi Mobile Legends Pada Google Playstore Menggunakan Na{"i}ve Bayes,” in Seminar Nasional Teknologi & Sains, 2025, vol. 4, no. 1, pp. 641–646.
[6] R. S. Ainul Wildan, R. Adam Rajagede, and R. Rahmadi, “Analisis Sentimen Politik Berdasarkan Big Data dari Media Sosial Youtube: Sebuah Tinjauan Literatur,” Pros. Autom., vol. 2, no. 1, 2021.
[7] A. Munandar, M. S. Yaasin, and R. A. Firdaus, “Analisis Sentimen Netizen Indonesia Mengenai Boikot Produk,” J. Islam. Bank. Econ., vol. 3, no. 1, 2023.
[8] A. Liawati, R. Narasati, D. Solihudin, C. Lukman Rohmat, and S. Eka Permana, “ANALISIS SENTIMEN KOMENTAR POLITIK DI MEDIA SOSIAL X DENGAN PENDEKATAAN DEEP LEARNING,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 6, 2024.
[9] A. Sentimen et al., “Analisis Sentimen Masyarakat Di Media Sosial X Terhadap Kemenkes Dengan Naive Bayes dan SVM,” J. Sains dan Teknol., vol. 7, no. 1, 2025.
[10] P. G. Aryanti and I. Santoso, “Analisis Sentimen Pada Twitter Terhadap Mobil Listrik Menggunakan Algoritma Naive Bayes,” IKRA-ITH Inform. J. Komput. dan Inform., vol. 7, no. 2, 2023.
[11] R. Astuti and A. T. Sipahutar, “Perbandingan Klasifikasi Berita Hoax Politik Pada Media Sosial X Menggunakan Algoritma Naïve Bayes Dan Random Forest,” Innov. Technol., vol. 2, no. 1, 2025.
[12] A. Cynthia, E. F. B. Tarigan, M. H. Azza’im, and E. Nurhayati, “Bahasa Slang pada Media Sosial ‘ X ’ di Era Gen Z,” Innov. J. Soc. Sci. Res., vol. 4, no. 3, 2024.
[13] F. D. Yusuf and A. Erfina, “Penyaluran Bantuan Bencana dan Keterpenuhan Kebutuhan Korban Bencana Sukabumi,” Abdi Putra J. Pengabdi. Kpd. Masy., vol. 5, no. 2, pp. 241–246, May 2025.
[14] E. G. Lakmetiabla, J. Papilaya, and F. R. Sinay, “Pengaruh Kelangkaan BBM (Pertalite) Terhadap Perputaran Ekonomi Masyarakat di Desa Tela Kecamatan Pulau-Pulau Babar,” J. Media Ekon., vol. 29, no. 2, 2024.
[15] S. Syah, S. R. Syah, F. N. Khairin, and D. Kesuma, “Blue Accounting Dan Resolusi Penanganan Limbah Plastik,” J. Ilm. Akunt. dan Keuang., vol. 2, no. 1, 2023.
[16] S. Eka Putri, A. F. Corp, Rembrandt, Dasman Lanin, Genius Umar, and Mulya Gusman, “Kota Padang : Identifikasi Potensi Bencana Banjir Dan Upaya Mitigasi,” J. Ilm. Multidisiplin Nusant., vol. 1, no. 3, 2023.
[17] “Analisis Spasial Tingkat Kerawanan Banjir Rob di Wilayah Jakarta Utara,” J. Geosains dan Remote Sens., 2024.
[18] Y. Anwar, M. V. R. Ningrum, and I. Setyasih, “Dampak Bencana Banjir Terhadap Ekonomi Masyarakat di Kecamatan Samarinda Utara, Kota Samarinda,” JPG (Jurnal Pendidik. Geogr., vol. 9, no. 1, 2022.
[19] P. Guleria, J. Frnda, and P. N. Srinivasu, “NLP based text classification using TF-IDF enabled fine-tuned long short-term memory: An empirical analysis,” Array, p. 100467, 2025.
[20] S. Y. Prayogi, T. S. Alasi, and R. F. Rahmat, Pengantar Machine Learning. Deli Serdang, Indonesia: Media Publikasi Idpress, 2025.
[21] K. Qiu, J. Li, and D. Chen, “Optimized long short-term memory (LSTM) network for performance prediction in unconventional reservoirs,” Energy Reports, vol. 8, 2022.
[22] T. Xayasouk, H. M. Lee, and G. Lee, “Air pollution prediction using long short-term memory (LSTM) and deep autoencoder (DAE) models,” Sustain., vol. 12, no. 6, 2020.
[23] Y. Altameemi and M. Altamimi, “Thematic Analysis: A Corpus-Based Method for Understanding Themes/Topics of a Corpus through a Classification Process Using Long Short-Term Memory (LSTM),” Appl. Sci., vol. 13, no. 5, 2023.