Topic Modeling Berbasis Analisis Sentimen Dengan IndoBERT Menggunakan Latent Dirichlet Allocation Pada Opini Publik Tentang Pemerintahan Jokowi Di Media Sosial X

Rohman, Muhammad Iqbal Ainur (2025) Topic Modeling Berbasis Analisis Sentimen Dengan IndoBERT Menggunakan Latent Dirichlet Allocation Pada Opini Publik Tentang Pemerintahan Jokowi Di Media Sosial X. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5003211055-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Media sosial telah menjadi ruang utama bagi masyarakat untuk menyuarakan opini terhadap kinerja Pemerintahan Jokowi. Penelitian ini bertujuan untuk menganalisis polaritas sentimen dan topik dominan dalam 6.441 post pengguna platform X (sebelumnya Twitter) yang membahas pemerintahan Presiden Joko Widodo selama periode Oktober 2023 hingga September 2024. Data dikumpulkan melalui proses crawling berbasis lima kata kunci utama, yaitu “Rezim Jokowi”, “Kerja Jokowi”, “Kebijakan Jokowi”, “Pemerintahan Jokowi”, dan “Program Jokowi”. Kemudian, data tersebut melalui tahap penyaringan dan validasi untuk memastikan kesesuaian konteks penelitian. Pendekatan penelitian mengombinasikan klasifikasi sentimen menggunakan model IndoBERT yang telah dilatih (dengan akurasi sebesar 92,6%) . Mengingat karakteristik data yang tidak seimbang, performa model juga dievaluasi menggunakan F1-Score dan berhasil mencapai macro average sebesar 89,4%. Hasil analisis menunjukkan dominasi signifikan sentimen negatif atas sentimen positif, sebagaimana terlihat dari proporsi label awal, yang mana 76,1% post diberi label negatif. Analisis topik lanjutan dengan LDA, yang menghasilkan model dengan coherence score optimal (0,440 untuk negatif dan 0,6255 untuk positif), mengungkap adanya keragaman diskusi yang beragam. Perbincangan negatif teridentifikasi terbagi dalam lima topik, dengan tema dominan berpusat pada keraguan terhadap penegakan hukum dan pemberantasan korupsi. Sebaliknya, perbincangan positif terfokus pada empat topik, dengan apresiasi terhadap pemberdayaan ekonomi mikro dan pembangunan infrastruktur sosial sebagai tema yang paling menonjol.
===========================================================================================================================================
Social media has become a primary arena for the public to express opinions regarding the performance of President Joko Widodo’s administration. This study aims to analyze sentiment polarity and dominant topics in 6.437 user posts from platform X (formerly Twitter) discussing the Jokowi administration, spanning the period from October 2023 to September 2024. The data were collected using a keyword-based crawling process, targeting five key phrases: “Rezim Jokowi,” “Kerja Jokowi,” “Kebijakan Jokowi,” “Pemerintahan Jokowi,” and “Program Jokowi.” Afterward, the data underwent filtering and validation to ensure contextual relevance to the research. The study adopts a hybrid approach, combining sentiment classification using a fine-tuned IndoBERT model (achieving 92,6% accuracy). Considering the class imbalance in the dataset, model performance was also evaluated using the macro-average F1-score, which reached 89,4%. The analysis revealed a significant dominance of negative sentiment over positive, as reflected in the initial labeling results, with 76.1% of posts labeled as negative. Further topic modeling using Latent Dirichlet Allocation (LDA), which achieved optimal coherence scores (0,440 for negative sentiment and 0,6255 for positive), uncovered a diverse range of discussions. Negative discourse centered around skepticism toward law enforcement and anti-corruption efforts, while positive discourse focused on themes of microeconomic empowerment and social infrastructure development.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	IndoBERT, pemerintah pusat, sentimen, topic modeling, X, central government, IndoBERT, sentiment, topic modeling, X
Subjects:	Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry) 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) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Muhammad Iqbal Ainur Rohman
Date Deposited:	06 Aug 2025 03:52
Last Modified:	06 Aug 2025 03:52
URI:	http://repository.its.ac.id/id/eprint/127727

Actions (login required)

View Item