Analisis Sentimen dan Karakteristik Linguistik Komentar Publik terhadap Kebijakan Militer Menggunakan Model RoBERTa
Keywords:
Sentiment Analysis, RoBERTa, Public Opinion, Text Classification, Deep LearningAbstract
Penelitian ini bertujuan untuk menganalisis sentimen serta karakteristik linguistik dalam komentar publik terhadap kebijakan militer menggunakan model berbasis transformer, yaitu RoBERTa. Dataset yang digunakan terdiri dari 32.184 komentar yang terbagi ke dalam tiga kategori sentimen, yaitu positif sebanyak 15.518 data, netral 9.064 data, dan negatif 7.602 data. Tahapan penelitian meliputi prapemrosesan teks, pelabelan, pelatihan model, serta evaluasi menggunakan metrik precision, recall, f1-score, dan confusion matrix. Hasil evaluasi menunjukkan bahwa model RoBERTa memiliki kinerja yang sangat baik dengan tingkat akurasi sebesar 95%. Secara rinci, kelas negatif memperoleh precision 0,81 dan recall 1,00, kelas netral mencapai precision 0,96 dan recall 1,00, sementara kelas positif menunjukkan precision 1,00 dan recall 0,92. Nilai f1-score masing-masing kelas berada pada kisaran tinggi, dengan macro average sebesar 0,94 dan weighted average sebesar 0,95. Confusion matrix menunjukkan bahwa sebagian besar prediksi dilakukan dengan tepat, dengan kesalahan klasifikasi yang relatif kecil, terutama pada sebagian data positif yang terklasifikasi sebagai negatif atau netral. Selain itu, analisis karakteristik linguistik menunjukkan bahwa komentar negatif didominasi oleh ekspresi emosional dan kritik langsung, komentar netral bersifat informatif, sedangkan komentar positif mencerminkan dukungan terhadap kebijakan. Distribusi data yang tidak seimbang juga menunjukkan dominasi sentimen positif dalam opini publik. Penelitian ini menegaskan bahwa RoBERTa efektif dalam menangkap nuansa bahasa dan dapat dimanfaatkan sebagai alat analisis opini publik untuk mendukung perumusan kebijakan yang lebih adaptif dan berbasis data.
Downloads
References
[1] A. F. R. Harahap and A. M. Harahap, “Peran digitalisasi dalam meningkatkan partisipasi publik pada pengambilan keputusan tata negara,” Jurnal Educatio (Jurnal Pendidikan Indonesia), vol. 9, no. 2, pp. 769–776, 2023, doi: 10.29210/1202323208.
[2] M. F. R. Azis, S. . Angeline Lusman, and I. A. Indriyany, “Kebebasan Ekspresi Digital Perspektif Gender dalam Kasus Laras Faizati”, JISoH, vol. 2, no. 1, pp. 939–950, Mar. 2026, doi: 10.63822/rxhtpm74.
[3] N. Nurcholilah, S. Suherman, and A. Anshor, “Analisis Sentimen Masyarakat Pada Twitter Terhadap Kasus HIV/AIDS Di Indonesia Menggunakan Algoritma Naive Bayes”, jiwp, vol. 9, no. 14, pp. 584-599, Jul. 2023.
[4] D. Tribuana, U. Usman, dan D. Dayanti, “Penerapan Natural Language Processing Untuk Analisis Sentimen Terhadap Layanan Publik Di Media Sosial Twitter”, JTBC, vol. 1, no. 1, hlm. 28–37, Jul 2025.
[5] S. Butsianto and A. M. Rifa’i, “Analisis Sentimen Ulasan Aplikasi Jamsostek dengan SVM, Random Forest, dan Logistic Regression”, INFEB, vol. 7, no. 3, pp. 700-706, Sep. 2025.
[6] A. S. Rizkia, W. Wufron, and F. F. Roji, “Analisis Sentimen Coretax: Perbandingan Pelabelan Data Manual, Transformers-Based, dan Lexicon-Based pada Performa IndoBERT: Sentiment Analysis of Coretax: A Comparison of Manual, Transformers-Based, and Lexicon-Based Data Labeling on IndoBERT Performance ”, MALCOM, vol. 5, no. 3, pp. 1037-1048, Jul. 2025.
[7] J.J. Hidayat, C. Setyowati, M.D.I Amin, K. Bimasakti, and A.P. Werdana, “Deep Learning-based Sentiment Analysis of Public Comments on Military Education Using RoBERTa Algorithm and Rule-Based Hybird Parameters”, jmcs, vol. 4, no. 2, pp. 277-292, Jul. 2025.
[8] U. I. Shabrina, M. I. Java, and S. Rochimah, “OPTIMIZING SENTIMENT ANALYSIS IN EDUCATIONAL YOUTUBE VIDEOS: A COMPARATIVE STUDY OF ROBERTA AND MULTINOMIAL NAIVE BAYES”, JUTI, vol. 22, no. 2, pp. 83–90, Jul. 2024, doi: 10.12962/j24068535.v22i2.a1204.
[9] [2] B. O. Lubis, B. Firmansyah, H. Putra, S. Irawan, A. N. Alizah, M. I. Adnan, and D. M. Situmorang, “Public Sentiment Analysis on the Development of the Nusantara Capital City (IKN) using the Naive Bayes Algorithm,” Jurnal Ilmiah Sistem Informasi, vol. 5, no. 1, Jan. 2026, doi: 10.51903/nx1aza77.
[10] Fajrul Khaer, Ilmiawan, and A. Aba, “Analyze the Language Used in Political News and Its Implications for Public Opinion: Analisis Bahasa yang Digunakan Dalam Berita Politik, Serta Implikasinya Terhadap Opini Publik”, J. Riseta Soshum, vol. 2, no. 1, pp. 1–6, May 2025, doi: 10.70392/jrs.v2i1.0106.
[11] A. Anshor, “Analisa Sentimen Warganet Terhadap KTT G20 Bali Menggunakan Algoritma Naïve Bayes,” Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, vol. 11, no. 3, pp. 819–828, 2022. [Online]. Available: https://ojs.stmik-banjarbaru.ac.id/index.php/jutisi/article/view/1030
[12] J. J. Hidayat, C. Setyowati, and A. P. Werdana, “Sentiment Analysis of Instagram User Comments related to the Inauguration of Mr. Prabowo Subianto as President of the Republic of Indonesia Using Natural Language Processing”, Int. J. Data. Science., vol. 6, no. 2, pp. 94–102, Dec. 2025.
[13] F. Zangari, R. Cimmaruta, and G. Nascetti, “Genetic relationships of the western Mediterranean painted frogs based on allozymes and mitochondrial markers: evolutionary and taxonomic inferences (Amphibia, Anura, Discoglossidae),” Biological Journal of the Linnean Society, vol. 87, no. 4, pp. 515–536, Apr. 2006, doi: 10.1111/j.1095-8312.2006.00585.x.
[14] A. Halim and A. Safuwan, “Analisis sentimen opini warganet Twitter terhadap tes screening Genose pendeteksi virus Covid-19 menggunakan metode Naïve Bayes berbasis particle swarm optimization,” Jurnal Informatika Teknologi dan Sains (Jinteks), vol. 5, no. 1, pp. 170–178, 2023.
[15] W. Wiyanto and Z. Setyaningsih, “Sentiment Analysis Pemutusan Hubungan Kerja Akibat Pandemi Covid-19 Menggunakan Algoritma NaïveBayes Dan PSO”, SISFOKOM, vol. 10, no. 3, pp. 426–431, Dec. 2021.
[16] E. Widodo, E. P. Rachmawati, and P. Buana, “Pengaruh konten YouTube terhadap penerimaan mahasiswa baru: studi analisis sentimen BERT dan korelasi Spearman,” Jurnal Informatika dan Rekayasa Perangkat Lunak, vol. 7, no. 2, pp. 186–194, 2025.
[17] I. A. Putri, A. Firmansyah, and A. Suprianto, “Analisis sentimen peran artificial intelligence terhadap kreativitas dan efektivitas mahasiswa dalam penyelesaian tugas akhir menggunakan decision tree berbasis SMOTE,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 3, pp. 4909–4916, 2025.
[18] J. J. Hidayat, C. Setyowati, and A. P. Werdana, “Perancangan Sistem Prediksi Penyakit pada Tanaman Padi Berbasis Image Processing Menggunakan Algoritma VGG-16 Transfer Learning dan K-Means Segmentation”, J. Pract. Computer Sci., vol. 5, no. 1, pp. 1-15, May 2025.
[19] M. D. I. Amin, J. J. Hidayat, C. Setyowati, E. K. Fitri, A. N. Anggraini, and A. P. Werdana, “Implementasi Model LSTM Untuk Peramalan Curah Hujan Di Bekasi Dengan Pemanfaatan Data Cuaca BMKG”, JTID, vol. 1, no. 2, pp. 90–99, Dec. 2025, Accessed: Apr. 01, 2026. [Online]. Available: https://jurnal.ipdig.id/index.php/jtid/article/view/200
[20] D. S. Rizkiyan, D. A. Kurnia, Y. A. Wijaya, N. Rahaningsih, and W. Prihartono, “Optimalisasi akurasi model deep learning pada klasifikasi sampah plastik menggunakan strategi fine-tuning MobileNetV2,” Journal of Computer Science and Artificial Intelligence (JCSAI), vol. 2, no. 6, Feb. 2026.
[21] J. J. Hidayat, “Prediksi Diabetes Menggunakan Deep Neural Network dengan Penyesuaian Hiperparameter Berbasis Bayesian Optimization”, J. Pract. Computer Sci., vol. 5, no. 2, pp. 130-143, Jan. 2026.
[22] A. Z. Kamalia, Choiriyatun Nisa Latansa, and Zaenur Rozikin, “Klasifikasi Kondisi Pasar Harga Emas ANTAM Indonesia Menggunakan Algoritma Decision Tree ”, JUKTISI, vol. 4, no. 3, pp. 2087–2098, Jan. 2026.
[23] D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes classifier dan confusion matrix pada analisis sentimen berbasis teks pada Twitter,” J. Sains Komput. Inform. (J-SAKTI), vol. 5, no. 2, pp. 697–711, 2021.
[24] J. J. Hidayat, M. D. I. Amin, E. K. Fitri, A. N. Anggraini, A. P. Werdana, and C. Setyowati, “Implementasi Model EfficientNetB0 Pada Pembuatan Aplikasi Desktop Untuk Identifikasi Hama Tanaman Sawi Berbasis Deep Learning”, JTID, vol. 1, no. 2, pp. 82–89, Nov. 2025, Accessed: Apr. 01, 2026. [Online]. Available: https://jurnal.ipdig.id/index.php/jtid/article/view/195
[25] A. M. Rifai, S. Raharjo, E. Utami, and D. Ariatmanto, “Analysis for diagnosis of pneumonia symptoms using chest X-ray based on MobileNetV2 models with image enhancement using white balance and contrast limited adaptive histogram equalization (CLAHE),” Biomed. Signal Process. Control, vol. 90, p. 105857, Apr. 2024, doi: 10.1016/j.bspc.2023.105857.
