EVALUASI KINERJA ALGORITMA LONG SHORT-TERM MEMORY (LSTM) DALAM ANALISIS SENTIMEN MASYARAKAT TERHADAP PROGRAM KARTU INDONESIA PINTAR KULIAH PADA APLIKASI X

Program Kartu Indonesia Pintar (KIP) Kuliah merupakan bantuan pendidikan bagi
mahasiswa kurang mampu yang memiliki potensi akademik baik. Seiring
implementasi program ini, berbagai tanggapan masyarakat muncul di media sosial,
termasuk aplikasi X (Twitter), yang memiliki 18,4 juta pengguna di Indonesia.
Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap program
KIP-K menggunakan metode Long Short-Term Memory (LSTM) berdasarkan data
dari aplikasi X. Penelitian ini menggunakan pendekatan kuantitatif dengan metode
eksperimen berbasis komputasi. Data dikumpulkan melalui web scraping dari
aplikasi X dengan kata kunci #KIPKuliah, #KIPK, dan #BeasiswaKIPK periode
2023-2024, menghasilkan 12.152 postingan. Metodologi penelitian mengikuti
kerangka CRISP-DM yang meliputi enam tahap: Business Understanding, Data
Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Tahap
preprocessing meliputi cleaning, normalisasi, dan stopword removal. Pelabelan
sentimen dilakukan menggunakan IndoBERT untuk mengklasifikasikan data
menjadi sentimen positif, negatif, dan netral. Setelah filtering, diperoleh 5.814 data
dengan komposisi 81,54% sentimen negatif (4.741 data) dan 18,46% sentimen
positif (1.073 data). Ketidakseimbangan data diatasi menggunakan teknik
undersampling. Model LSTM dibangun dengan arsitektur embedding layer, LSTM
layer, dan dense output layer untuk klasifikasi biner. Evaluasi model menggunakan
confusion matrix menghasilkan accuracy 73%, precision 73,16%, recall 72,79%,
dan F1-score 72,67%. Model berhasil diimplementasikan dalam aplikasi web
"SentiKIP" yang memungkinkan pengguna melakukan analisis sentimen secara
real-time. Hasil penelitian menunjukkan bahwa mayoritas masyarakat memberikan
tanggapan negatif terhadap program KIP-K di aplikasi X, dengan tingkat sentimen
negatif mencapai 81,54%. Penelitian ini memberikan kontribusi dalam evaluasi
kebijakan publik berbasis media sosial dan dapat menjadi masukan bagi pemerintah
untuk penyempurnaan program KIP-K di masa mendatang.
Kata kunci: Analisis Sentimen, KIP-K, LSTM, Media Sosial, Natural Language
Processing, CRISP-DM