Penerapan Long Short-Term Memory dan TF-IDF dalam Mengklasifikasikan Sentimen Publik terhadap Kebijakan Efisiensi Anggaran 2025
DOI:
https://doi.org/10.36382/jti-tki.v16i2.605Keywords:
Efisiensi Anggaran 2025, Klasifikasi Sentimen, LSTM, TF-IDFAbstract
Tanggapan masyarakat terhadap suatu kebijakan seringkali bervariasi dan perlu dilakukan klasifikasi untuk memahami gambaran keseluruhan respons publik. Salah satu contohnya adalah kebijakan Efisiensi Anggaran 2025, yang menjadi fokus penelitian ini. Dilakukan analisis tweet yang terkait dengan kebijakan tersebut menggunakan model LSTM untuk mengklasifikasikan sentimen publik menjadi dua kategori: positif dan negatif. Pembobotan kata dilakukan menggunakan metode TF-IDF, dan hasilnya menunjukkan nilai akurasi 94,38%, precision 93,75%, recall 89,44%, dan F1-score 91,55% pada epoch 10 dan batch size 32 pada rasio pembagian data 80:20. Dari hasil tersebut model LSTM terbukti baik dalam mengklasifikasikan data teks.
References
[1] S. Lestari and Z. A. Suarja, “Blue Ekonomi: Dampak Perencanaan Anggaran Terhadap Pembangunan Ekonomi Berkelanjutan,†Journal of Economics Science, vol. 9, no. 1, doi: 10.33143/jecs.v9i1.3003.
[2] H. Walizi, “Dampak Kebijakan Efisiensi Anggaran Terhadap Pencapaian Sasaran Pembangunan Daerah Di BAPPEDA MUARA ENIM,†Integrative Perspectives of Social and Science Journal, vol. 2, no. 2, pp. 1707–1718.
[3] Badan Pemeriksa Keuangan, “Efisiensi Belanja dalam Pelaksanaan Anggaran Pendapatan dan Belanja Negara dan Anggaran Pendapatan dan Belanja Daerah Tahun Anggaran 2025,†peraturan.bpk.go.id. [Online]. Available: https://peraturan.bpk.go.id/Details/313401/inpres-no-1-tahun-2025
[4] R. A. Huda, R. A. Puspita, S. N. Hasanah, and A. Malik, “Peran Kebijakan Fiskal Dalam Meningkatkan Kesejahteraan Sosial Di Indonesia Sebagai Negara Berkembang,†KALIANDA HALOK GAGAS, vol. 7, no. 2, 2024.
[5] A. F. Ilma and A. I. Prabandari, “Efisiensi vs. Kualitas: Evaluasi Kebijakan Anggaran Pendidikan dalam Pemerintahan Prabowo,†Lingkar Ekonomika, vol. 4, no. 1, doi: 10.32424/jle.v4i1.15823.
[6] A. Rahman, “Analisis Drone Empirit,†Analisis Percakapan Publik: Efisiensi Anggaran. [Online]. Available: https://pers.droneemprit.id/analisis-percakapan-publik-efisiensi-anggaran/
[7] Restu Aprianto Atmiko, Melaya Priangga, Nabil Panca Budhi Hizbullah, Muhammad Anis Nur Fauzi, and Dzulfan Yumna Azis, “Pemanfaatan Data X Untuk Analisis Sentimen Publik Pada Kebijakan PPN 12%,†JIITE, vol. 2, no. 1, pp. 274–283, Apr. 2025, doi: 10.63547/jiite.v2i1.55.
[8] S. Sudriyanto, M. Faid, K. Malik, and A. Supriadi, “Evaluasi Model Jaringan Saraf Tiruan Berbasis LSTM dalam Memprediksi Fluktuasi Harga Bitcoin,†JARS, vol. 2, no. 2, pp. 15–22, June 2024, doi: 10.24929/jars.v2i2.3398.
[9] Nailah Azzahra, Merry Dwi Handayani, and Awwaliyah Aliyah, “Evaluasi Kinerja AI berbasis Recurrent Neural Network (RNN) dalam Mengidentifikasi Ancaman Phising pada URL Website,†Bridge, vol. 3, no. 3, pp. 15–37, June 2025, doi: 10.62951/bridge.v3i3.485.
[10] W. P. Anggraini and M. S. Utami, “Klasifikasi Sentimen Masyarakat Terhadap Kebijakan Kartu Pekerja Di Indonesia,†Faktor Exacta, vol. 13, no. 4, pp. 255–255, 2021, doi: 10.30998/faktorexacta.v13i4.7964.
[11] F. Mahmuji, C. Muchammad, C. Cahyo, and U. Nisa, “Analisis Sentimen Pada Twitter Terhadap Isu Penundaan Pemilu 2024 Dengan Membandingkan Metode Long Short- Term Memory Dan Naïve Bayes Classifier,†Journal of Mathematics & Information Technology, vol. 1, no. 2, 2023, doi: 10.35718/equiva.v1i2.
[12] A. F. Aufar, Mochamad Alfan Rosid, A. Eviyanti, and I. R. I. Astutik, “Optimizing Text Preprocessing for Accurate Sentiment Analysis on E-Wallet Reviews,†JICTE, vol. 7, no. 2, pp. 42–50, Oct. 2023, doi: 10.21070/jicte.v7i2.1650.
[13] A. A. Firdaus, “Sentiment Budget Efficiency in Indonesia.†2025. Accessed: June 16, 2025. [Online]. Available: https://www.kaggle.com/datasets/jocelyndumlao/budget-efficiency-in-indonesia
[14] N. I. Widiastuti, E. Rainarli, and K. E. Dewi, “Peringkasan dan Support Vector Machine pada Klasifikasi Dokumen,†INFOTEL, vol. 9, no. 4, p. 416, Nov. 2017, doi: 10.20895/infotel.v9i4.312.
[15] M. K. Wisyaldin, G. M. Luciana, and H. Pariaman, “Pendekatan Long Short-Term Memory untuk Memprediksi Kondisi Motor 10 kV pada PLTU Batubara,†KILAT, vol. 9, no. 2, 2020, doi: 10.33322/kilat.v9i2.997.
[2] H. Walizi, “Dampak Kebijakan Efisiensi Anggaran Terhadap Pencapaian Sasaran Pembangunan Daerah Di BAPPEDA MUARA ENIM,†Integrative Perspectives of Social and Science Journal, vol. 2, no. 2, pp. 1707–1718.
[3] Badan Pemeriksa Keuangan, “Efisiensi Belanja dalam Pelaksanaan Anggaran Pendapatan dan Belanja Negara dan Anggaran Pendapatan dan Belanja Daerah Tahun Anggaran 2025,†peraturan.bpk.go.id. [Online]. Available: https://peraturan.bpk.go.id/Details/313401/inpres-no-1-tahun-2025
[4] R. A. Huda, R. A. Puspita, S. N. Hasanah, and A. Malik, “Peran Kebijakan Fiskal Dalam Meningkatkan Kesejahteraan Sosial Di Indonesia Sebagai Negara Berkembang,†KALIANDA HALOK GAGAS, vol. 7, no. 2, 2024.
[5] A. F. Ilma and A. I. Prabandari, “Efisiensi vs. Kualitas: Evaluasi Kebijakan Anggaran Pendidikan dalam Pemerintahan Prabowo,†Lingkar Ekonomika, vol. 4, no. 1, doi: 10.32424/jle.v4i1.15823.
[6] A. Rahman, “Analisis Drone Empirit,†Analisis Percakapan Publik: Efisiensi Anggaran. [Online]. Available: https://pers.droneemprit.id/analisis-percakapan-publik-efisiensi-anggaran/
[7] Restu Aprianto Atmiko, Melaya Priangga, Nabil Panca Budhi Hizbullah, Muhammad Anis Nur Fauzi, and Dzulfan Yumna Azis, “Pemanfaatan Data X Untuk Analisis Sentimen Publik Pada Kebijakan PPN 12%,†JIITE, vol. 2, no. 1, pp. 274–283, Apr. 2025, doi: 10.63547/jiite.v2i1.55.
[8] S. Sudriyanto, M. Faid, K. Malik, and A. Supriadi, “Evaluasi Model Jaringan Saraf Tiruan Berbasis LSTM dalam Memprediksi Fluktuasi Harga Bitcoin,†JARS, vol. 2, no. 2, pp. 15–22, June 2024, doi: 10.24929/jars.v2i2.3398.
[9] Nailah Azzahra, Merry Dwi Handayani, and Awwaliyah Aliyah, “Evaluasi Kinerja AI berbasis Recurrent Neural Network (RNN) dalam Mengidentifikasi Ancaman Phising pada URL Website,†Bridge, vol. 3, no. 3, pp. 15–37, June 2025, doi: 10.62951/bridge.v3i3.485.
[10] W. P. Anggraini and M. S. Utami, “Klasifikasi Sentimen Masyarakat Terhadap Kebijakan Kartu Pekerja Di Indonesia,†Faktor Exacta, vol. 13, no. 4, pp. 255–255, 2021, doi: 10.30998/faktorexacta.v13i4.7964.
[11] F. Mahmuji, C. Muchammad, C. Cahyo, and U. Nisa, “Analisis Sentimen Pada Twitter Terhadap Isu Penundaan Pemilu 2024 Dengan Membandingkan Metode Long Short- Term Memory Dan Naïve Bayes Classifier,†Journal of Mathematics & Information Technology, vol. 1, no. 2, 2023, doi: 10.35718/equiva.v1i2.
[12] A. F. Aufar, Mochamad Alfan Rosid, A. Eviyanti, and I. R. I. Astutik, “Optimizing Text Preprocessing for Accurate Sentiment Analysis on E-Wallet Reviews,†JICTE, vol. 7, no. 2, pp. 42–50, Oct. 2023, doi: 10.21070/jicte.v7i2.1650.
[13] A. A. Firdaus, “Sentiment Budget Efficiency in Indonesia.†2025. Accessed: June 16, 2025. [Online]. Available: https://www.kaggle.com/datasets/jocelyndumlao/budget-efficiency-in-indonesia
[14] N. I. Widiastuti, E. Rainarli, and K. E. Dewi, “Peringkasan dan Support Vector Machine pada Klasifikasi Dokumen,†INFOTEL, vol. 9, no. 4, p. 416, Nov. 2017, doi: 10.20895/infotel.v9i4.312.
[15] M. K. Wisyaldin, G. M. Luciana, and H. Pariaman, “Pendekatan Long Short-Term Memory untuk Memprediksi Kondisi Motor 10 kV pada PLTU Batubara,†KILAT, vol. 9, no. 2, 2020, doi: 10.33322/kilat.v9i2.997.
Downloads
Published
29-01-2026
Issue
Section
Articles
License
Copyright (c) 2026 Hamidah Lutfiyanti Maharani, Mokhamad Amin Hariyadi, Zainal Abidin
This work is licensed under a Creative Commons Attribution 4.0 International License.
