LSTM DENGAN DEEP LEARNING UNTUK KLASIFIKASI OPINI PUBLIK KELANGKAAN BAHAN BAKAR PASCA BANJIR DI MEDIA SOSIAL X

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