ANALISIS SENTIMEN TERHADAP ULASAN ONLINE UNTUK KENDARAAN LISTRIK MENGGUNAKAN DEEP LEARNING DI PLATFORM X

Abstract

Meningkatnya perhatian global terhadap kendaraan listrik telah memicu diskursus publik yang masif di platform X, sehingga diperlukan metode analisis sentimen yang akurat untuk memahami persepsi masyarakat. Penelitian ini bertujuan mengevaluasi dan membandingkan kinerja empat model Deep Learning, yakni Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), Bidirectional LSTM (BiLSTM), dan model hibrida CNN-BiLSTM dengan mekanisme Attention. Metodologi penelitian melibatkan pengumpulan dari tweet berbahasa Indonesia periode Januari 2023 hingga Agustus 2025 yang dikumpulkan melalui web-scraping dan dilabeli menggunakan skor leksikon berbasis kuantil. Tahapan preprocessing meliputi case folding, noise removal, serta stemming menggunakan pustaka Sastrawi untuk menjamin kualitas data input. Hasil eksperimen menunjukkan bahwa model hibrida CNN-BiLSTM-Attention mencapai kinerja paling unggul dengan akurasi 75% dan macro F1-score 0,76. Model BiLSTM dan CNN masing-masing mencatat akurasi 73% dan 72%, sementara model LSTM standar mengalami kegagalan konvergensi (model collapse) karena ketidakmampuannya menangani kompleksitas data. Sinergi antara ekstraksi fitur lokal CNN dan pemahaman konteks sekuensial dua arah dari BiLSTM terbukti secara signifikan meningkatkan kemampuan klasifikasi, meskipun tantangan utama masih terletak pada ambiguitas antara kelas positif dan netral