Analisis Sentimen Masyarakat terhadap Isu Korupsi Dana Bencana di Indonesia Menggunakan Metode Bidirectional Long Short-Term Memory (Bi-LSTM)

Korupsi dana bencana dan bantuan sosial merupakan isu krusial yang mencederai keadilan sosial dan kepercayaan publik terhadap integritas pemerintah di Indonesia. Fenomena ini memicu gelombang opini masif di media sosial yang memerlukan analisis komputasional mendalam untuk memahami dinamika persepsi masyarakat secara objektif. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi performa algoritma Deep Learning, khususnya Bidirectional Long Short-Term Memory (Bi-LSTM), dalam mengklasifikasikan sentimen masyarakat terkait isu korupsi dana bencana. Dataset yang digunakan mencakup 1.358 data tekstual yang dikategorikan menjadi sentimen negatif, netral, dan positif, dengan dominasi signifikan pada kelas negatif sebanyak 926 data. Arsitektur model yang diusulkan mengintegrasikan lapisan embedding 300 dimensi, lapisan Bi-LSTM untuk menangkap konteks dua arah, serta kombinasi Global Max Pooling dan Global Average Pooling untuk ekstraksi fitur yang optimal. Hasil pengujian menunjukkan bahwa model mencapai akurasi sebesar 0,75, dengan Weighted F1-score 0,76 dan Macro F1-score 0,65. Analisis Confusion Matrix mengungkapkan bahwa model sangat efektif dalam mengidentifikasi sentimen negatif, namun menghadapi tantangan dalam membedakan kelas minoritas akibat ketidakseimbangan data. Temuan ini memberikan wawasan mendalam bagi pembuat kebijakan mengenai sentimen publik serta menunjukkan potensi sekaligus batasan metode Bi-LSTM dalam menangani teks berbahasa Indonesia yang bersifat informal dan sarkastik dalam konteks diskursus politik dan korupsi. Kata Kunci: Analisis Sentimen, Bi-LSTM, Korupsi Dana Bencana, Deep Learning, Natural Language Processing