eprintid: 96659
rev_number: 20
eprint_status: archive
userid: 599
dir: disk1/00/09/66/59
datestamp: 2025-08-07 08:17:19
lastmod: 2025-08-07 08:17:19
status_changed: 2025-08-07 08:17:19
type: thesis
metadata_visibility: show
creators_name: PUTRA, ALIEF RAMADHAN DWI
creators_nimnip: 41520010214
creators_id: RAMADHANALIF24@GMAIL.COM
contributors_type: http://www.loc.gov/loc.terms/relators/THS
contributors_name: Afiyati, Afiyati
contributors_nidn: 0316106908
contributors_id: lib.mercubuana.ac.id
title: ANALISIS SENTIMEN PUBLIK TERHADAP PERUBAHAN KEPIMPINAN MENGGUNAKAN ALGORITMA LSTM DAN NAIVE BAYES PADA PLATFORM X
ispublished: pub
subjects: S006.754
subjects: S128.37
subjects: S303.34
subjects: S303.38
subjects: S518.1
divisions: 415
full_text_status: restricted
keywords: Analisis sentimen, Long Short-Term Memory (LSTM), Naive Bayes, Kepemimpinan, Media Sosial.
abstract: Political sentiment analysis on social media has become a critical tool for
understanding public perception during leadership transitions. This study
compares the effectiveness of Long Short-Term Memory (LSTM) and Naïve Bayes
algorithms in classifying sentiment related to Indonesia’s 2024 leadership change
using data from platform X (formerly Twitter). A total of 5,942 Indonesianlanguage tweets were collected and labeled through both lexicon-based and
manual annotation. Manual labeling was crucial in capturing nuanced, contextdependent sentiments often missed by automated methods. LSTM was applied for
its strength in modeling sequential patterns in text, while Naïve Bayes served as a
lightweight probabilistic baseline. Both models were evaluated using accuracy,
precision, recall, and F1-score. Results show that LSTM achieved 72.02% accuracy
on lexicon-based data and 78.47% on manually labeled data, while Naïve Bayes
reached 61.13% and 78.64%, respectively. LSTM offered better generalization
across sentiment classes—especially neutral—whereas Naïve Bayes excelled in
detecting clearly polarized sentiment. These findings highlight the importance of
model selection based on data characteristics and labeling strategy. The study
contributes practical insights for political analysts and institutions aiming to
monitor digital public opinion and inform evidence-based policymaking.
Kata kunci: Sentiment analysis, Long Short-Term Memory (LSTM), Naive Bayes, Leadership, Social Media.

Analisis sentimen politik di media sosial telah menjadi alat penting untuk
memahami persepsi publik selama masa transisi kepemimpinan. Penelitian ini
membandingkan efektivitas algoritma Long Short-Term Memory (LSTM) dan
Naïve Bayes dalam mengklasifikasikan sentimen terkait pergantian kepemimpinan
Indonesia pada tahun 2024 menggunakan data dari platform X (sebelumnya
Twitter). Sebanyak 5.942 tweet berbahasa Indonesia dikumpulkan dan diberi label
menggunakan dua pendekatan, yaitu berbasis leksikon dan pelabelan manual.
Pelabelan manual terbukti penting untuk menangkap sentimen yang bersifat
kontekstual dan halus, yang sering kali luput oleh metode otomatis. LSTM dipilih
karena kemampuannya dalam memodelkan pola berurutan dalam teks, sementara
Naïve Bayes digunakan sebagai model probabilistik ringan sebagai pembanding.
Kedua model dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score.
Hasil menunjukkan bahwa LSTM mencapai akurasi sebesar 72,02% pada data
leksikon dan 78,47% pada data manual, sementara Naïve Bayes mencapai 61,13%
dan 78,64% secara berturut-turut. LSTM menunjukkan generalisasi yang lebih baik
pada kelas netral, sedangkan Naïve Bayes unggul dalam mendeteksi sentimen yang
lebih terpolarisasi. Temuan ini menegaskan pentingnya pemilihan model
berdasarkan karakteristik data dan strategi pelabelan. Studi ini memberikan
wawasan praktis bagi analis politik dan institusi dalam memantau opini publik
digital serta mendukung pengambilan kebijakan berbasis data.
Kata kunci: Analisis sentimen, Long Short-Term Memory (LSTM), Naive Bayes, Kepemimpinan, Media Sosial.
date: 2025-07-22
date_type: published
pages: 88
institution: Universitas Mercu Buana Jakarta
department: Biro Perpustakaan
thesis_type: s1
thesis_name: tugas_akhir
kampus: meruya
call_number_cd: FIK/INFO. 25 134
kota: Jakarta
kolasi: xiii, 88 hlm
citation:   PUTRA, ALIEF RAMADHAN DWI  (2025) ANALISIS SENTIMEN PUBLIK TERHADAP PERUBAHAN KEPIMPINAN MENGGUNAKAN ALGORITMA LSTM DAN NAIVE BAYES PADA PLATFORM X.  S1 thesis, Universitas Mercu Buana Jakarta.   
document_url: http://repository.mercubuana.ac.id/96659/1/01%20COVER.pdf
document_url: http://repository.mercubuana.ac.id/96659/2/02%20BAB%201.pdf
document_url: http://repository.mercubuana.ac.id/96659/3/03%20BAB%202.pdf
document_url: http://repository.mercubuana.ac.id/96659/4/04%20BAB%203.pdf
document_url: http://repository.mercubuana.ac.id/96659/5/05%20BAB%204.pdf
document_url: http://repository.mercubuana.ac.id/96659/6/06%20BAB%205.pdf
document_url: http://repository.mercubuana.ac.id/96659/7/07%20DFATAR%20PUSTAKA.pdf
document_url: http://repository.mercubuana.ac.id/96659/8/08%20LAMPIRAN.pdf