IMPLEMENTASI PERBANDINGAN MODEL ALGORITMA DEEP LEARNING BILSTM, CNN, DAN GRU UNTUK ANALISIS SENTIMEN KECANDUAN MEDIA SOSIAL

Abstract

Ruang digital telah berkembang menjadi media utama bagi masyarakat untuk menyampaikan opini, sikap, dan respons terhadap berbagai fenomena sosial, termasuk kecenderungan kecanduan media sosial. Aktivitas tersebut menghasilkan data teks dalam jumlah besar bersifat tidak terstruktur, sehingga memerlukan pendekatan komputasional untuk dianalisis secara objektif dan berbasis data. Penelitian bertujuan untuk menganalisis sentimen kecanduan media sosial serta membandingkan kinerja tiga model deep learning, yaitu Convolutional Neural Network (CNN), Bidirectional Long Short-Term Memory (BiLSTM), dan Gated Recurrent Unit (GRU). Data yang digunakan terdiri atas 12.730 cuitan berbahasa Indonesia yang dikumpulkan dari platform X (Twitter) selama periode 1 Januari hingga 31 Desember 2024. Proses pelabelan data dilakukan menggunakan pendekatan weak supervision berbasis aturan heuristik guna mendukung pengolahan data teks berskala besar. Tahapan pra-pemrosesan meliputi lowercase, pembersihan teks, normalisasi, tokenisasi, serta padding dan sequencing. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model CNN memperoleh akurasi tertinggi sebesar 90,86%, diikuti oleh GRU sebesar 86,95% dan BiLSTM sebesar 86,26%. Distribusi sentimen terrdiri atas 28,1% sentimen positif, 33,5% sentimen netral, dan 38,4% sentimen negatif. Temuan ini menunjukkan bahwa CNN memiliki performa paling optimal dan stabil, serta menegaskan efektivitas pendekatan deep learning berbasis weak supervision dalam analisis sentimen media sosial berbahasa Indonesia