<![CDATA[Analisis sentimen terhadap kebijakan publik sering kali terkendala oleh ketimpangan distribusi data (class imbalance) yang ekstrem, sehingga model klasifikasi cenderung mengalami bias dan mengabaikan opini minoritas. Penelitian ini bertujuan untuk membangun model klasifikasi sentimen yang mampu mengurangi kecenderungan bias kelas mayoritas pada studi kasus Program Makan Bergizi Gratis di media sosial Twitter. Metodologi yang diusulkan mengintegrasikan teknik pseudo-labeling menggunakan IndoRoBERTa (Teacher Model) untuk mengekstraksi dan menyaring 18.385 cuitan menjadi korpus Silver Standard. Untuk mengatasi ketimpangan kelas tanpa manipulasi data (oversampling), penelitian ini menerapkan Cost-Sensitive Learning melalui modifikasi bobot Inverse Class Frequency pada fungsi Cross-Entropy Loss saat melakukan fine-tuning pada Student Model (IndoBERT dan XLM-RoBERTa). Hasil eksplorasi data menunjukkan kelas Netral mendominasi (50,4%), sementara kelas Negatif menjadi minoritas ekstrem (21,4%) yang memuat kritik rasional terkait beban anggaran. Hasil komputasi membuktikan bahwa arsitektur XLM-RoBERTa menunjukkan kinerja paling optimal dengan Akurasi global 87% dan Recall makro 87%, lebih tangguh dibandingkan IndoBERT. Evaluasi Confusion Matrix menegaskan bahwa penerapan penalti bobot berhasil menekan rasio kegagalan prediksi (False Negative) pada kelas minoritas hingga menyentuh angka 13,47%. Kesimpulannya, kerangka kerja hibrida ini efektif mendisiplinkan jaringan algoritma untuk mengurangi kecenderungan bias kelas mayoritas, sehingga menghasilkan instrumen kecerdasan buatan yang lebih proporsional untuk mendukung evaluasi opini kebijakan publik.]]>
Copyrights © 2026
