ANALISIS SENTIMEN RUU PERAMPASAN ASET BERBASIS MODEL BILSTM DENGAN PEMODELAN TOPIK LATENT DIRICHLET ALLOCATION (LDA)

Media sosial X menjadi ruang publik bagi masyarakat dalam menyampaikan opini terhadap RUU Perampasan Aset. Penelitian ini menganalisis sentimen publik terhadap RUU tersebut menggunakan model Bidirectional Long Short-Term Memory (BiLSTM) berbasis Word2Vec, serta mengidentifikasi topik dominan pada tiap kategori sentimen menggunakan Latent Dirichlet Allocation (LDA). Metodologi mengacu pada CRISP-DM, meliputi crawling 9.651 cuitan dengan rentang waktu Januari 2025 s.d. Oktober 2025 yang menghasilkan 9612 data final setelah tahapan seleksi, preprocessing, pelabelan otomatis ke dalam dua kelas sentimen (positif dan negatif) berbasis leksikon SentiWordNet, ekstraksi fitur Word2Vec (CBOW dan Skip-gram), penyeimbangan kelas dengan SMOTE, serta pembagian data 80:20. Delapan skenario diuji untuk membandingkan pengaruh stemming dan stopword removal serta arsitektur Word2Vec. Hasil menunjukkan skenario terbaik adalah Skip-gram dengan stemming tanpa stopword removal, mencapai akurasi 85,91%, presisi 89,82%, recall 92,50%, dan F1-score 91,14%. Stemming meningkatkan kinerja, sedangkan stopword removal tidak selalu menunjukan hasil yang optimal. Skip-gram unggul dibanding CBOW. LDA mengidentifikasi tiga topik dominan pada sentimen positif dan sembilan topik pada sentimen negatif. Model terbaik diimplementasikan ke aplikasi Streamlit untuk analisis sentimen dan topik secara langsung.