ANALISIS SENTIMEN PUBLIK TERHADAP NATURALISASI PEMAIN SEPAK BOLA TIMNAS INDONESIA DI SOSIAL MEDIA X MENGGUNAKAN ALGORITMA DEEP LEARNING LONG SHORTTERM MEMORY (LSTM)

Tamtama, Anggita Dika (2025) ANALISIS SENTIMEN PUBLIK TERHADAP NATURALISASI PEMAIN SEPAK BOLA TIMNAS INDONESIA DI SOSIAL MEDIA X MENGGUNAKAN ALGORITMA DEEP LEARNING LONG SHORTTERM MEMORY (LSTM). S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (191kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (464kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (95kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (1MB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4029.zip Restricted to Repository staff only Download (58MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (1MB)

Abstract

Naturalisasi pemain asing dalam Tim Nasional Indonesia menjadi isu kontroversial yang memicu beragam opini di kalangan publik, khususnya di media sosial X (sebelumnya Twitter). Respons masyarakat mencerminkan ketegangan antara kebutuhan peningkatan performa tim dengan kekhawatiran akan marginalisasi pemain lokal. Fenomena ini berdampak pada citra kebijakan olahraga nasional dan menunjukkan perlunya pemahaman mendalam terhadap persepsi publik. Penelitian ini menggunakan pendekatan analisis sentimen berbasis algoritma Long ShortTerm Memory (LSTM) untuk mengklasifikasikan opini publik terhadap isu naturalisasi. Data diambil melalui proses scraping dari media sosial X sebanyak 8.203 tweet yang kemudian melalui tahapan pre-processing mencakup pembersihan teks, normalisasi, tokenisasi, dan stemming. Label sentimen ditentukan melalui metode lexicon-based dan diklasifikasikan ke dalam dua kategori, yaitu positif dan negatif. Model LSTM dievaluasi menggunakan empat jenis optimizer (Adam, AdamW, RMSprop, dan Nadam) untuk mengukur performa klasifikasi. Hasil penelitian menunjukkan bahwa sentimen negatif mendominasi (68,4%), mencerminkan adanya resistensi publik terhadap kebijakan naturalisasi. Model LSTM dengan optimizer Adam mencapai akurasi tertinggi sebesar 90,39% dan nilai AUC sebesar 0,9446. Penelitian ini memberikan kontribusi dalam pengembangan metode analisis opini publik berbasis Deep Learning, yang bermanfaat bagi akademisi, serta analis media sosial. Rekomendasi lanjutan mencakup pengembangan model dengan dataset multibahasa serta integrasi faktor demografis pengguna media sosial untuk hasil yang lebih komprehensif.

Actions (login required)

View Item