Analisis Sentimen Debat Capres dan Cawapres Indonesia 2024 Menggunakan Metode Bert

Zaki Musyaffa; Mhd. Furqan; Aidil Halim Lubis

doi:10.70340/jirsi.v5i3.703

Penulis

Zaki Musyaffa Universitas Islam Negeri Sumatera Utara
Mhd. Furqan Universitas Islam Negeri Sumatera Utara
Aidil Halim Lubis Universitas Islam Negeri Sumatera Utara

DOI:

https://doi.org/10.70340/jirsi.v5i3.703

Kata Kunci:

Natural Language Processing, Analisis Sentimen, Analisis Sentimen, IndoBERT, Duolingo, Ulasan Pengguna, Klasifikasi Sentimen, YouTube

Abstrak

Debat Calon Presiden dan Calon Wakil Presiden (Capres-Cawapres) Indonesia 2024 di kanal YouTube KPU Republik Indonesia memicu ribuan komentar publik yang mencerminkan sentimen masyarakat terhadap para kandidat, namun opini tersebut belum banyak dikaji secara sistematis. Penelitian ini bertujuan menganalisis sentimen komentar YouTube terhadap debat tersebut menggunakan metode Bidirectional Encoder Representations from Transformers (BERT). Sebanyak 2.500 komentar dikumpulkan melalui YouTube Data API dari lima sesi debat, kemudian dibersihkan melalui tahap pre-processing dan diberi label otomatis menggunakan kamus InSetLexicon ke dalam tiga kategori: positif, negatif, dan netral. Setelah penghapusan data duplikat, diperoleh 2.362 data bersih yang dibagi menjadi data latih dan data uji dengan rasio 80:20. Model IndoBERT kemudian di-fine-tuning untuk mengklasifikasikan sentimen komentar. Hasil penelitian menunjukkan distribusi sentimen didominasi oleh komentar positif (1.107), diikuti negatif (660) dan netral (595). Evaluasi model menggunakan confusion matrix menghasilkan akurasi sebesar 76,5%, dengan precision, recall, dan F1-score tertinggi pada kelas positif masing-masing sebesar 87,78%, 85,39%, dan 86,57%. Hasil ini menunjukkan bahwa metode BERT cukup efektif dalam menganalisis sentimen komentar berbahasa Indonesia pada konteks debat politik di platform YouTube, sekaligus memberikan kontribusi berupa pemetaan opini publik terhadap kandidat dan isu-isu debat yang dapat menjadi rujukan bagi penelitian analisis sentimen politik berbasis bahasa Indonesia selanjutnya.

Unduhan

Data unduhan belum tersedia.

Referensi

M. Luthfialana, M. Hasyim, and A. M. A. Anshory, "Fungsi Bahasa dalam Cerpen Berjuta Rasanya Karya Tere Liye: Perspektif Roman Jakobson," Bahasa: Jurnal Keilmuan Pendidikan Bahasa dan Sastra Indonesia, vol. 6, no. 1, pp. 1–11, 2024, doi: 10.26499/bahasa.v6i1.744.

U. Khasanah et al., "Pelanggaran Kesantunan Berbahasa dalam Debat Capres dan Cawapres 2024 Relevansinya sebagai Sumber Bahan Ajar," Hortatori: Jurnal Pendidikan Bahasa dan Sastra Indonesia, vol. 8, no. 2, pp. 256–265, 2024.

Citra Widayanti and Yulita Nilam Fridiyanti, “Analisis Pengaruh Debat Calon Presiden 2024 Pertama Terhadap Elektabilitas Calon Presiden Perspektif Pandangan Masyarakat,” Journal of Social and Economics Research, vol. 5, no. 2, pp. 1720–1731, 2024, doi: 10.54783/jser.v5i2.259.

G. Prima Ertansyah, R. Tri Cahya Kusuma, and A. Arum Sari, “Analisis Sentimen Pada Media Sosial Menggunakan Teknik Natural Language Processing,” Prosiding Seminar Nasional Teknologi Informasi dan Bisnis, pp. 183–189, 2025, doi: 10.47701/qgcey104.

A. A. Corrs, A. Syam, and V. Aris, “Analisis Sentimen Tren Cryptocurrency Menggunakan Machine Learning,” RIGGS: Journal of Artificial Intelligence and Digital Business, vol. 3, no. 4, pp. 59–66, 2025, doi: 10.31004/riggs.v3i4.486.

N. M. Gardazi, A. Daud, M. K. Malik, A. Bukhari, T. Alsahfi, and B. Alshemaimri, “BERT applications in natural language processing: a review,” Artificial Intelligence Review, vol. 58, no. 6, 2025, doi: 10.1007/s10462-025-11162-5.

Tri Ayu Mareta, Desty Endrawati Subroto, Lailaturrohmah Aulia, Siti Nuryanah, and Ratu Najwa Fadilah, “Peran Media Sosial Youtube sebagai Media Edukasi dalam Pendidikan Generasi Z,” Guruku: Jurnal Pendidikan dan Sosial Humaniora, vol. 3, no. 1, pp. 98–106, 2025, doi: 10.59061/guruku.v3i1.894.

W. L. Azzahra and E. Mailoa, “Analisis Sentimen terhadap RSUD Salatiga Menggunakan SVM dan TF-IDF,” Jurnal Indonesia : Manajemen Informatika dan Komunikasi, vol. 6, no. 1, pp. 478–489, 2025, doi: 10.35870/jimik.v6i1.1208.

D. Nuryadi et al., “Fine Tuning Indobert Untuk Analisis Sentimen Pada Ulasan Pengguna Aplikasi Tiket.Com Di Google Play Store,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 2, pp. 3577–3583, 2025, doi: 10.36040/jati.v9i2.13204.

A. Wirayudha, M. Murniyati, and R. Rosdiana, “Analisis Sentimen Terhadap Ulasan Access By KAI Pada Google Play Store Menggunakan Metode Indobert,” Portal Riset dan Inovasi Sistem Perangkat Lunak, vol. 3, no. 1, pp. 9–20, 2025, doi: 10.59696/prinsip.v3i1.69.

J. L. Leevy, T. M. Khoshgoftaar, R. A. Bauder, and N. Seliya, “A survey on addressing high-class imbalance in big data,” Journal of Big Data, vol. 5, no. 1, 2018, doi: 10.1186/s40537-018-0151-6.

K. Ghosh, C. Bellinger, R. Corizzo, P. Branco, B. Krawczyk, and N. Japkowicz, The class imbalance problem in deep learning, vol. 113, no. 7. Springer US, 2024. doi: 10.1007/s10994-022-06268-8.

A. Carriero, K. Luijken, A. de Hond, K. G. M. Moons, B. van Calster, and M. van Smeden, “The Harms of Class Imbalance Corrections for Machine Learning Based Prediction Models: A Simulation Study,” Statistics in Medicine, vol. 44, no. 3–4, 2025, doi: 10.1002/sim.10320.