Perbandingan Metode Lexicon Based dan Model BERT dalam Analisis Sentimen Terhadap Pergerakan Surat Utang Negara di Indonesia

Rachmawati, Firda (2025) Perbandingan Metode Lexicon Based dan Model BERT dalam Analisis Sentimen Terhadap Pergerakan Surat Utang Negara di Indonesia. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5006211020-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2027. Download (3MB) | Request a copy

Abstract

Anggaran Pendapatan dan Belanja Negara (APBN) adalah alat utama dalam mengimplementasikan kebijakan fiskal dan sekaligus sebagai pedoman penganggaran dalam rangka pelaksanaan pembangunan di Indonesia. Sumber pendanaan dalam Pembiayaan Anggaran salah satunya adalah Pembiayaan Utang yang terdiri dari Penerbitan Surat Berharga Negara (SBN) dan Pinjaman. Komposisi utang pemerintah berasal dari SBN sebesar 87,85% yang mencakup Surat Utang Negara (SUN) dan Surat Berharga Syariah Negara (SBSN). Secara keseluruhan, SUN memberikan kontribusi sebesar Rp5.824,34 Triliun dan dapat disimpulkan bahwa SUN memiliki proporsi yang besar dalam pembiayaan utang. Pergerakan pasarnya yang lebih besar dan dinamis membuat hal ini menarik untuk dianalisis, terlebih SUN dalam SBN tersebut merupakan instrumen utang paling mendominasi dalam pembiayaan defisit anggaran dan perlu diperhatikan. Analisis sentimen dilakukan dengan sampel yang digunakan adalah data tweet dari media sosial X selama 7,75 tahun terakhir agar dapat meninjau pandangan masyarakat terhadap SUN di Indonesia dan sebagai bahan pertimbangan dalam menentukan strategi ke depan. Analisis sentimen dapat dilakukan dengan pendekatan lexicon-based dan deep learning dengan transformer models, yaitu BERT. Berdasarkan evaluasi yang dilakukan pada dataset tweet keseluruhan, model BERT dengan skema dan hyperparameter yang optimal menunjukkan hasil yang lebih baik yaitu 70,28% dibandingkan dengan metode lexicon based InSet yang hanya sebesar 55,77%. Begitu pula dengan hasil yang dilakukan pada dataset tweet tiap tahun yaitu model BERT memiliki tingkat akurasi yang lebih tinggi daripada metode lexicon, kecuali tahun 2021. Masyarakat memiliki kecenderungan yaitu 49% positif, 30% netral, dan 21% negatif terhadap topik SUN dalam media sosial X. Metode lexicon based dengan InSet cocok digunakan jika dataset berukuran kecil atau sedang, sementara model BERT lebih baik digunakan jika dataset besar dan kompleks. Sentimen negatif masyarakat terkait SUN, 13,64% terdiri dari topik Tapera, sebagai kebijakan pemerintah yang salah satu strategi pemupukan dananya melalui SUN. Berdasarkan peluang yang ada, pemerintah dapat mempertimbangakan strategi untuk memanfaatkan media sosial dengan Key Opinion Leader dan transparansi penjelasan kebijakan Tapera. Hal ini akan memaksimalkan peran masyarakat dalam investasi SUN di Indonesia.
==================================================================================================================================
The State Budget of Indonesia (APBN) is the main tool for implementing fiscal policies and serves as a budgeting guideline for development execution in Indonesia. One of the funding sources in budget financing is Debt Financing, which consists of Government Securities (SBN) issuance and Loans. The government's debt composition is primarily derived from SBN, accounting for 87.85%, which includes Government Bonds (SUN) and Sharia Government Securities (SBSN). Overall, SUN contributes IDR 5,824.34 trillion, highlighting its significant proportion in debt financing. Its larger and more dynamic market movement makes it an interesting subject for analysis, particularly as SUN dominates SBN instruments in financing the budget deficit and warrants attention. Sentiment analysis was conducted using sample tweets from the social media platform X over the past 7.75 years to review public perceptions of SUN in Indonesia and provide considerations for future strategies. Sentiment analysis can be performed using both a lexicon-based approach and deep learning with transformer models, such as BERT. Based on the evaluation of the entire tweet dataset, the BERT model, with an optimal scheme and hyperparameters, demonstrated superior performance with an accuracy of 70.28%, compared to the lexicon-based InSet method, which achieved 55.77%. Similarly, on an annual tweet dataset, the BERT model consistently outperformed the lexicon-based method, except in 2021. Public sentiment towards SUN topics on social media X shows a tendency of 49% positive, 30% neutral, and 21% negative. The lexicon-based InSet method is suitable for small to medium-sized datasets, while the BERT model performs better for large and complex datasets. Negative public sentiment regarding SUN, 13.64% consists of the topic of Tapera, as a government policy, one of the strategies for raising funds is through SUN. Considering the opportunities available, the government could consider strategies to leverage social media through Key Opinion Leaders and provide transparent explanations of the Tapera policy. This approach could maximize public participation in investing in SUN in Indonesia

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Analisis Sentimen, Surat Utang Negara, Bidirectional Encoder Representations for Transformers (BERT), Government Bonds, Lexicon Based, Natural Language Processing, Sentiment Analysis
Subjects:	H Social Sciences > HC Economic History and Conditions > HC108 Market surveys. H Social Sciences > HF Commerce > HF5415.32 Consumers' preferences Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) Q Science > QA Mathematics > QA76.9.D343 Data mining. Querying (Computer science)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Actuaria > 94203-(S1) Undergraduate Thesis
Depositing User:	Firda Rachmawati
Date Deposited:	09 Jan 2025 08:03
Last Modified:	09 Jan 2025 08:03
URI:	http://repository.its.ac.id/id/eprint/116231

Actions (login required)

View Item