OPTIMALISASI KOMBINASI ALGORITMA LONG SHORT-TERM MEMORY (LSTM) DAN GATED RECURRENT UNIT (GRU) DALAM ANALISIS SENTIMEN PUBLIK DI PLATFORM X TERHADAP PEMAIN SEPAK BOLA NATURALISASI TIMNAS INDONESIA

Wiguna, I Wayan Bayu Arya (2025) OPTIMALISASI KOMBINASI ALGORITMA LONG SHORT-TERM MEMORY (LSTM) DAN GATED RECURRENT UNIT (GRU) DALAM ANALISIS SENTIMEN PUBLIK DI PLATFORM X TERHADAP PEMAIN SEPAK BOLA NATURALISASI TIMNAS INDONESIA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (862kB)
	Text (BAB I) BAB I.pdf Download (213kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (885kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (518kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (89kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (1MB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4092.zip Restricted to Repository staff only Download (8MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (577kB)

Abstract

Fenomena naturalisasi pemain sepak bola dalam Tim Nasional Indonesia telah memicu perdebatan publik yang intens di media sosial. Kebijakan ini di satu sisi dianggap mampu meningkatkan performa tim nasional, namun di sisi lain menimbulkan kekhawatiran terkait isu nasionalisme dan kebijakan olahraga. Platform X, sebagai salah satu media sosial terpopuler di Indonesia, menjadi wadah utama bagi masyarakat untuk menyampaikan pendapat mereka. Namun, penggunaan bahasa informal, slang, dan struktur kalimat yang tidak baku dalam tweet membuat analisis sentimen menjadi tantangan tersendiri. Oleh karena itu, penelitian ini menggunakan pendekatan deep learning untuk mengatasi masalah tersebut. Penelitian ini menggunakan kombinasi algoritma Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) untuk menganalisis sentimen terhadap pemain naturalisasi. Data yang digunakan terdiri dari 33.330 tweet berbahasa Indonesia yang diklasifikasikan ke dalam tiga kategori sentimen (positif, negatif, dan netral), dengan bantuan model Indonesian RoBERTa-based sentiment classifier. Data dibagi menjadi 90% untuk pelatihan, 5% untuk validasi, dan 5% untuk pengujian. Teknik augmentasi data diterapkan untuk menyeimbangkan distribusi kelas, dan representasi kata dilakukan menggunakan pretrained FastText. Evaluasi performa model dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, dan Confusion Matrix. Hasil penelitian menunjukkan bahwa kombinasi algoritma LSTM dan GRU memberikan hasil terbaik dengan akurasi sebesar 94,26%, lebih unggul dibandingkan model LSTM dan GRU tunggal. Analisis terhadap tweet menunjukkan bahwa sentimen publik terhadap pemain naturalisasi didominasi oleh opini negatif sebesar 63,9%. Penelitian ini diharapkan dapat berkontribusi dalam pengembangan metode analisis sentimen berbasis deep learning serta menjadi acuan bagi pemangku kebijakan olahraga dalam menyusun strategi komunikasi yang lebih tepat terhadap opini publik.

Actions (login required)

View Item