<![CDATA[ABSTRAK Studi ini bertujuan untuk mengklasifikasikan sentimen publik terkait Pemilihan Suara Ulang (PSU) guna memetakan opini publik digital di media sosial X yang sangat penting bagi peneliti dan administrator pemilu dalam memahami respons masyarakat terhadap sengketa pemilu dengan kondisi data yang sangat tidak seimbang. Sebanyak 1.016 tweet dikumpulkan dan diproses melalui tahapan pra-pemrosesan teks meliputi pembersihan, normalisasi, dan stemming, yang kemudian dilabeli menggunakan leksikon kontekstual diperluas serta titik data manual. Untuk mengatasi ketidakseimbangan kelas ekstrem tanpa menyebabkan kebocoran data, algoritma Random Over-Sampling (ROS) diterapkan secara eksklusif pada set pelatihan sebelum melatih model Convolutional Neural Network (CNN) berbasis embedding Word2Vec (100 dimensi, ukuran jendela 5, 15 epoch, ukuran batch 32) untuk dibandingkan dengan baseline Naive Bayes + TF-IDF + ROS. Berdasarkan distribusi dataset yang terdiri dari 79,4% Netral, 18,3% Positif, dan 2,3% Negatif, hasil eksperimen menunjukkan bahwa model CNN + Word2Vec + ROS yang diusulkan berhasil mencapai akurasi validasi sebesar 92,20% dan skor F1 Makro sebesar 0,78, terbukti mengungguli model dasar Naive Bayes yang hanya mencapai akurasi 80,49% dan skor F1 Makro 0,73. Meskipun integrasi Word2Vec dan ROS berhasil mengurangi keterbatasan pengklasifikasi berbasis frekuensi dalam wacana politik yang timpang, skor F1 untuk kelas negatif minoritas yang bernilai 0,55 menyoroti bahwa mendeteksi opini kritis masih menjadi tantangan yang memerlukan penyempurnaan metodologis lebih lanjut. Secara keseluruhan, studi ini memberikan kontribusi penting pada analisis sentimen politik di Indonesia dengan mengevaluasi potensi pembelajaran mendalam (deep learning) dalam menyediakan kerangka kerja pemantauan sentimen elektoral yang kuat, sekaligus menekankan pentingnya ketelitian metodologis dalam menyeimbangkan deteksi sudut pandang minoritas secara cermat. ABSTRACT This study aims to classify public sentiment related to the Re-vote Election (PSU) in order to map digital public opinion on social media X which is very important for researchers and election administrators in understanding public responses to election disputes with highly imbalanced data conditions. A total of 1,016 tweets were collected and processed through text pre-processing stages including cleaning, normalization, and stemming, which were then labeled using an expanded contextual lexicon as well as manual data points. To address extreme class imbalance without causing data leakage, the Random Over-Sampling (ROS) algorithm was applied exclusively to the training set before training a Word2Vec embedding-based Convolutional Neural Network (CNN) model (100 dimensions, window size 5, 15 epochs, batch size 32) to be compared with the baseline Naive Bayes + TF-IDF + ROS. Based on the dataset distribution consisting of 79.4% Neutral, 18.3% Positive, and 2.3% Negative, the experimental results show that the proposed CNN + Word2Vec + ROS model successfully achieved a validation accuracy of 92.20% and a Macro F1 score of 0.78, proven to outperform the baseline Naive Bayes model which only achieved an accuracy of 80.49% and a Macro F1 score of 0.73. Although the integration of Word2Vec and ROS successfully mitigated the limitations of frequency-based classifiers in imbalanced political discourse, the F1 score for the minority negative class of 0.55 highlights that detecting critical opinions remains a challenge that requires further methodological refinement. Overall, this study makes an important contribution to political sentiment analysis in Indonesia by evaluating the potential of deep learning in providing a robust electoral sentiment monitoring framework, while emphasizing the importance of methodological rigor in carefully balancing minority viewpoint detection.]]>
Copyrights © 2026
