OPTIMASI MODEL LONG SHORT-TERM MEMORY PADA ANALISIS SENTIMEN APLIKASI X (TWITTER) TERHADAP PEMILU PRESIDEN INDONESIA 2024

Penelitian ini menyelidiki optimasi model Long Short-Term Memory (LSTM) untuk analisis sentimen terkait pemilihan umum presiden Indonesia 2024 menggunakan data Twitter. Saat ini, terdapat ragam upaya yang dilakukan oleh para peneliti untuk menangani persoalan tersebut misalnya menggunakan berbagai algoritma konvensional selain itu juga terdapat penggunaan algoritma deep learning seperti CNN maupun LSTM. Namun masih terdapat kekurangan diantaranya kinerja model yang kurang optimal dan akurasi yang masih rendah. Tujuan penelitian ini adalah untuk meningkatkan akurasi dan kinerja model LSTM melalui penggunaan seleksi fitur word embeddings dengan Word2Vec serta proses hyperparameter tuning. Penelitian ini dilaksanakan karena pentingnya memahami sentimen publik terhadap pemilihan umum presiden serta meningkatkan keefektifan model dalam menganalisis teks sosial media. Metode penelitian yang digunakan mencakup penggunaan Word2Vec untuk representasi kata, hyperparameter tuning dengan callback ReduceLROnPlateau dan EarlyStopping, serta evaluasi model menggunakan grafik nilai akurasi, loss, classification report, dan matriks evaluasi AUC-ROC dan AUC-PR. Hasil penelitian ini menunjukkan peningkatan akurasi model LSTM hingga 88% dalam mengklasifikasikan sentimen dari data tweet terkait pemilihan umum presiden Indonesia 2024, serta nilai AUC ROC sebesar 0.90 dan AUC-PR sebesar 0.97, menunjukkan kemampuan model dalam membedakan kelas positif dan negatif dengan baik.

Kata Kunci – Analisis sentimen, hyperparameter tuning, LSTM, pemilihan umum presiden, Twitter, Word2Vec.