Analisis Sentimen Opini Terhadap Program Merdeka Belajar Berdasarkan Twitter (X) Menggunakan Model Hybrid IndoBERT-LSTM-CNN

Pradipta, Vito Aji (2025) Analisis Sentimen Opini Terhadap Program Merdeka Belajar Berdasarkan Twitter (X) Menggunakan Model Hybrid IndoBERT-LSTM-CNN. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5002211026-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Program Merdeka Belajar yang dicanangkan oleh Kementerian Pendidikan dan Kebudayaan memberikan kebebasan dalam proses pembelajaran di Indonesia. Namun, kebijakan ini menimbulkan beragam respons dari masyarakat. Untuk memahami persepsi publik, khususnya dari pengguna media sosial Twitter (X), penelitian ini melakukan analisis sentimen terhadap data dari platform tersebut dengan menggunakan model hybrid IndoBERT-LSTM-CNN. Model ini menggabungkan keunggulan dari IndoBERT dalam memahami konteks bahasa, kemampuan LSTM dalam menangkap ketergantungan jangka panjang, serta kekuatan CNN dalam mengekstraksi fitur lokal dari teks. Hasil penelitian menunjukkan bahwa sentimen positif merupakan kategori yang paling dominan dengan jumlah 5.414 tweet, diikuti oleh sentimen negatif sebanyak 5.215 tweet, dan sentimen netral sebanyak 4.870 tweet. Temuan ini menunjukkan bahwa secara umum opini publik terhadap program Merdeka Belajar lebih banyak memberikan apresiasi atau dukungan dibandingkan kritik. Banyak pengguna media sosial X menilai bahwa program ini memberikan dampak yang bermanfaat dan membuka peluang pembelajaran yang lebih luas bagi pelajar di Indonesia. Model yang dikembangkan juga menunjukkan performa yang baik dengan akurasi sebesar 81,84% pada data uji. Selain itu, nilai F1-Score tertinggi diperoleh pada kelas positif sebesar 81,37%, diikuti oleh kelas negatif dengan 81,48%, dan kelas netral sebesar 81,46%. Hal ini mengindikasikan bahwa model mampu membedakan ketiga kategori sentimen secara seimbang dan menunjukkan efektivitas pendekatan hybrid yang digunakan dalam klasifikasi sentimen.
===================================================================================================================================
Merdeka Belajar program launched by the Ministry of Education and Culture provides flexibility in the learning process in Indonesia. However, this policy has generated diverse responses from the public. To understand public perception, particularly from users of the social media platform Twitter (X), this study conducts sentiment analysis on data from the platform using a hybrid IndoBERT-LSTM-CNN model. This model combines the strengths of IndoBERT in understanding language context, LSTM’s ability to capture long-term dependencies, and CNN’s capability to extract local features from text. The results of the study show that positive sentiment is the most dominant category with 5,414 tweets, followed by negative sentiment with 5,215 tweets, and neutral sentiment with 4,870 tweets. These findings indicate that, in general, public opinion about the Merdeka Belajar program tends to be more appreciative or supportive rather than critical. Many social media users view the program as beneficial and believe it provides broader learning opportunities for Indonesian students. The developed model also demonstrates strong performance, achieving an accuracy of 81.84% on the test data. Additionally, the highest F1-Score is obtained in the positive class at 81.37%, followed by the negative class at 81.48%, and the neutral class at 81.46%. These results suggest that the model can effectively distinguish between the three sentiment categories and highlight the effectiveness of the hybrid approach used for sentiment classification.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Analisis Sentimen, Merdeka Belajar, IndoBERT, LSTM, CNN, Model Hybrid. Sentiment Analysis, Merdeka Belajar, IndoBERT, LSTM, CNN, Hybrid Model
Subjects:	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) > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Vito Aji Pradipta
Date Deposited:	01 Aug 2025 02:07
Last Modified:	01 Aug 2025 02:07
URI:	http://repository.its.ac.id/id/eprint/124730

Actions (login required)

View Item