Perbandingan Algoritma CNN, BiLSTM, dan BERT untuk Analisis Sentimen Berbasis Aspek dan Deteksi Emosi Opini Publik pada Kebijakan Pemerintah Makan Siang Gratis dan Kenaikan PPN 12 Persen

Kevin Wilbert Sachio; Viktor Handrianus Pranatawijaya; Jadiaman Parhusip

doi:10.47111/jointecoms.v6i2.27856

Perbandingan Algoritma CNN, BiLSTM, dan BERT untuk Analisis Sentimen Berbasis Aspek dan Deteksi Emosi Opini Publik pada Kebijakan Pemerintah Makan Siang Gratis dan Kenaikan PPN 12 Persen

Authors

Kevin Wilbert Sachio Jurusan Teknik Informatika, Fakultas Teknik, Universitas Palangka Raya
Viktor Handrianus Pranatawijaya Jurusan Teknik Informatika, Fakultas Teknik, Universitas Palangka Raya
Jadiaman Parhusip Jurusan Teknik Informatika, Fakultas Teknik, Universitas Palangka Raya

DOI:

https://doi.org/10.47111/jointecoms.v6i2.27856

Keywords:

Kebijakan Pemerintah, BERT, BiLSTM, CNN, Analisis Sentimen Berbasis Aspek, Deteksi Emosi

Abstract

Penelitian ini mengkaji respons publik terhadap kebijakan pemerintah, khususnya "Program Makan Siang Gratis" dan "Kenaikan PPN 12%", melalui analisis sentimen berbasis aspek dan deteksi emosi menggunakan teknik deep learning. Pemahaman terhadap persepsi masyarakat terhadap kebijakan publik sangat penting untuk merancang kebijakan yang lebih efektif, di mana analisis sentimen berbasis aspek dengan model deep learning seperti BERT, BiLSTM, dan CNN menjadi alat yang efektif untuk mengidentifikasi pandangan publik.

Tujuan utama penelitian ini adalah untuk mengevaluasi respons publik terhadap kedua kebijakan tersebut dan membandingkan kinerja model-model deep learning dalam mengklasifikasikan aspek, sentimen, dan emosi. Hasil analisis menunjukkan bahwa kebijakan "Program Makan Siang Gratis" mendapat respons positif meskipun terdapat kritik, sementara "Kenaikan PPN 12%" lebih banyak mendapatkan respons negatif, terutama terkait dampaknya terhadap daya beli masyarakat. Model BERT menunjukkan kinerja terbaik dengan akurasi tertinggi: 88% untuk klasifikasi aspek, 98% untuk sentimen, dan 82% untuk emosi.

Temuan ini menunjukkan bahwa metodologi yang digunakan dapat diterapkan pada analisis kebijakan publik lainnya, seperti di bidang pendidikan, kesehatan, dan lingkungan, untuk memperdalam pemahaman tentang persepsi publik dan meningkatkan perencanaan kebijakan berbasis respons masyarakat.

Downloads

Download data is not yet available.

DOI: 10.47111/jointecoms.v6i2.27856 DOI URL: https://doi.org/10.47111/jointecoms.v6i2.27856

Views: 1 | Downloads: 1

References

[1] O. A. Irmawan, I. Budi, A. B. Santoso, and P. K. Putra, “Improving Sentiment Analysis and Topic Extraction in Indonesian Travel App Reviews Through BERT Fine-Tuning,” Jurnal Nasional Pendidikan Teknik Informatika: JANAPATI, vol. 13, no. 2, pp. 359–370, 2024.

[2] A. Romadhony, S. Al Faraby, R. Rismala, U. N. Wisesti, and A. Arifianto, “Sentiment Analysis on a Large Indonesian Product Review Dataset.,” Journal of Information Systems Engineering & Business Intelligence, vol. 10, no. 1, 2024.

[3] N. Widaad and D. Anggraini, “SENTIMENT ANALYSIS OF CHATGPT APP USER REVIEWS USING SVM AND CNN METHODS,” Jurnal Teknik Informatika (Jutif), vol. 5, no. 6, pp. 1687–1700, 2024.

[4] A. Mathur, P. Kubde, and S. Vaidya, “Emotional analysis using twitter data during pandemic situation: Covid-19,” in 2020 5th international conference on communication and electronics systems (ICCES), IEEE, 2020, pp. 845–848.

[5] C. A. Bahri and L. H. Suadaa, “Aspect-based sentiment analysis in bromo tengger semeru national park indonesia based on google maps user reviews,” IJCCS (Indonesian Journal of Computing and Cybernetics Systems), vol. 17, no. 1, pp. 79–90, 2023.

[6] V. H. Pranatawijaya, N. N. Kamala Sari, R. A. Rahman, E. Christian, and S. Geges, “Unveiling User Sentiment: Aspect-Based Analysis and Topic Modeling of Ride-Hailing and Google Play App Reviews.,” Journal of Information Systems Engineering & Business Intelligence, vol. 10, no. 3, 2024.

[7] L. J. Speed and M. Brysbaert, “Ratings of valence, arousal, happiness, anger, fear, sadness, disgust, and surprise for 24,000 Dutch words,” Behav Res Methods, vol. 56, no. 5, pp. 5023–5039, 2024.

[8] D. P. Rini, “Klasifikasi Data Penderita Skizofrenia Menggunakan CNN-LSTM dan CNN-GRU pada Data Sinyal EEG 2D,” Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi), vol. 7, no. 4, pp. 642–650, 2023.

[9] D. F. Sjoraida, B. W. K. Guna, and D. Yudhakusuma, “Analisis Sentimen Film Dirty Vote Menggunakan BERT (Bidirectional Encoder Representations from Transformers),” Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi), vol. 8, no. 2, pp. 393–404, 2024.

Downloads

Published

2026-06-30

How to Cite

Wilbert Sachio, K., Handrianus Pranatawijaya, V., & Parhusip, J. (2026). Perbandingan Algoritma CNN, BiLSTM, dan BERT untuk Analisis Sentimen Berbasis Aspek dan Deteksi Emosi Opini Publik pada Kebijakan Pemerintah Makan Siang Gratis dan Kenaikan PPN 12 Persen. Journal of Information Technology and Computer Science, 6(2), 118–126. https://doi.org/10.47111/jointecoms.v6i2.27856