Keywords
LSTM
How to Cite
Abstract
Twitter menjadi ruang aktif bagi pendukung Persebaya Surabaya untuk menyuarakan opini dan emosi mereka. Penelitian ini bertujuan untuk mengklasifikasikan sentimen komentar pendukung di Twitter ke dalam kategori positif, negatif, dan netral. Data diperoleh melalui pengumpulan komentar twitter, kemudian dilabelo menggunakan TextBlob dan divalidasi oleh dosen bahasa. Setelah melalui tahapan preprocessing dengan stemmer Sastrawi dan representasi word embedding, data dianalisis menggunakan model Long Short-Term Memory (LSTM). Hasil menunjukkan bahwa model mampu mengklasifikasikan sentimen dengan cukup akurat, meskipun masih terdapat kendala dalam memahami kritik halus atau konteks implisit. Penelitian ini diharapkan dapat menjadi landasan dalam memahami opini publik terhadap klub serta mendorong pengembangan sistem analisis sentimen di ranah olahraga dan media sosial berbahasa Indonesia.
References
[1] P. Widiyantoro and Y. D. Prasetyo, “Deteksi Cyberbullying pada Pemain Sepak Bola di Platform Media Sosial ‘ X ’ Menggunakan Metode Long Short-Term Memory ( LSTM ),” 2025.
[2] D. P. Ardiansyah, M. Arief, and N. Andrianto, “Strategi komunikasi green nord’27 tribune dalam merubah image bonek di masyarakat,” pp. 355–362, 2023.
[3] N. E. Destianti, M. Fridha, T. Palupi, and I. Danadharta, “Interaksi Fanatisme Suporter Sepakbola (Studi Etnografi Virtual Pada Akun Instagram @Officialpersebaya Pasca Tragedi Kanjuruhan),” Semakom Semin. Nas. Mhs. Komun., vol. 1, no. 01, pp. 865–869, 2023, [Online]. Available: https://conference.untag-sby.ac.id/index.php/semakom/article/view/1923
[4] M RIZQI ARIEL GIFFARI, “Analisis Sentimen Berbasis Aspek Pada,” vol. 3, no. September, pp. 67–77, 2021.
[5] R. Cahyadi et al., “Recurrent Neural Network (Rnn) Dengan Long Short Term Memory (Lstm) Untuk Analisis Sentimen Data Instagram,” J. Inform. dan Komput., vol. 5, no. 1, pp. 1–9, 2020.
[6] X. Liu, D. Cao, and K. Yu, “Binarized LSTM language model,” NAACL HLT 2018 - 2018 Conf. North Am. Chapter Assoc. Comput. Linguist. Hum. Lang. Technol. - Proc. Conf., vol. 1, pp. 2113–2121, 2018, doi: 10.18653/v1/n18-1192.
[7] M. Abdul-Mageed and L. Ungar, “EmoNet: Fine-grained emotion detection with gated recurrent neural networks,” ACL 2017 - 55th Annu. Meet. Assoc. Comput. Linguist. Proc. Conf. (Long Pap., vol. 1, pp. 718–728, 2017, doi: 10.18653/v1/P17-1067.
[8] J. Homepage et al., “MALCOM: Indonesian Journal of Machine Learning and Computer Science Sentiment Analysis of Online Services at the Engineering and Vocational Faculty of Ganesha Education University Using Naïve Bayes and LSTM Algorithms Analisis Sentimen Pelayanan Daring di,” vol. 4, no. 3, pp. 1120–1129, 2024.
[9] T. Pemilu, M. Khadapi, and V. M. Pakpahan, “Analisis Sentimen Berbasis Jaringan LSTM dan BERT terhadap Diskusi,” vol. 6, pp. 130–137, 2024.
[10] N. Nur Azizah, I. Purnamasari, and S. Prangga, “Pengelompokan Judul Laporan Skripsi Berbasis Text Mining dengan Metode Fuzzy K-Means,” Metik J., vol. 8, no. 1, pp. 18–23, 2024, doi: 10.47002/metik.v8i1.808.
[11] A. A. Syam, G. H. M, A. Salim, D. F. Surianto, and M. F. B, “Analisis teknik preprocessing pada sentimen masyarakat terkait konflik israel-palestina menggunakan support vector machine,” vol. 9, no. 3, pp. 1464–1472, 2024.
[12] M. Febima, L. Magdalena, M. Asfi, M. Hatta, and R. Fahrudin, “Implementasi Optimasi NLP dan KNN untuk User Review Aplikasi SAMPEAN Cirebon,” pp. 162–168.
[13] U. Khairani, V. Mutiawani, and H. Ahmadian, “Pengaruh Tahapan Preprocessing Terhadap Model Indobert Dan Indobertweet Untuk Mendeteksi Emosi Pada Komentar Akun Berita Instagram,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 4, pp. 887–894, 2024, doi: 10.25126/jtiik.1148315.
[14] D. A. N. Arifin, S. Pada, D. Teks, B. Indonesia, J. Pardede, and D. Darmawan, “PERBANDINGAN ALGORITMA STEMMING PORTER , SASTRAWI , IDRIS , COMPARISON OF STEMMING ALGORITHMS PORTER , SASTRAWI , IDRIS , AND ARIFIN SETIONO ON INDONESIAN TEXT DOCUMENTS,” vol. 12, no. 1, 2025, doi: 10.25126/jtiik.2025128860.
[15] P. Made, R. C. Dinatha, and N. A. Rakhmawati, “Komparasi Term Weighting dan Word Embedding pada Klasifikasi Tweet Pemerintah Daerah (Comparison of Term Weighting and Word Embedding on Local Government Tweet Classification),” J. Nas. Tek. Elektro dan Teknol. Inf. |, vol. 9, no. 2, 2020.
[16] Y. Ardian Pradana, I. Cholissodin, and D. Kurnianingtyas, “Analisis Sentimen Pemindahan Ibu Kota Indonesia pada Media Sosial Twitter menggunakan Metode LSTM dan Word2Vec,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 5, pp. 2389–2397, 2023, [Online]. Available: http://j-ptiik.ub.ac.id
[17] A. Rolangon, A. Weku, and G. A. Sandag, “Perbandingan Algoritma LSTM Untuk Analisis Sentimen Pengguna Twitter Terhadap Layanan Rumah Sakit Saat Pandemi Covid-19,” TeIKa, vol. 13, no. 01, pp. 31–40, 2023, doi: 10.36342/teika.v13i01.3063
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Muchamad Gilang Nauri R, Ardi Sanjaya, Riski Aswi Ramadhani