Analisis Sentimen Pelanggaran Politik Uang pada Pilkada Menggunakan Integrasi SMOTE dan Long Short-Term Memory (LSTM)

Abstract

ABSTRAK

              Praktik politik uang merupakan ancaman serius terhadap integritas Pemilihan Kepala Daerah (Pilkada) di Indonesia, di mana opini dan keluhan publik banyak disuarakan melalui media sosial X. Namun, analisis sentimen otomatis terhadap isu ini sering terkendala oleh ketimpangan kelas data yang parah antara dokumen teks positif dan negatif. Penelitian ini bertujuan untuk mengimplementasikan alur kerja baru yang mengintegrasikan teknik penyeimbangan data berbasis Synthetic Minority Over-sampling Technique (SMOTE) dan arsitektur sekuensial Long Short-Term Memory (LSTM) untuk mengklasifikasikan sentimen terkait pelanggaran pemilu. Dataset yang digunakan terdiri dari 1.013 unggahan bahasa Indonesia dari platform X yang diekstraksi dari Oktober hingga November 2024. Metode penelitian meliputi prapemrosesan teks (cleaning, case folding, normalisasi, stopword removal, dan tokenisasi), ekstraksi fitur Embedding, aplikasi SMOTE pada ruang vektor, dan klasifikasi menggunakan LSTM 128 memori tersembunyi. Hasil penelitian menunjukkan bahwa penambahan SMOTE berhasil mengatasi masalah bias kelas mayoritas pada model LSTM standar. Model usulan SMOTE-LSTM ini mampu mendongkrak performa deteksi kelas minoritas secara signifikan, menghasilkan nilai presisi sebesar 0,84, recall sebesar 0,83, dan F1-score sebesar 0,83 pada kelas negatif (laporan kecurangan). Kesimpulan dari penelitian ini menunjukkan bahwa integrasi SMOTE dan LSTM memberikan sensitivitas yang kokoh dalam mengenali opini kecurangan pemilu, sehingga sangat layak dipertimbangkan sebagai modul awal sistem pemantauan digital otomatis bagi Badan Pengawas Pemilihan Umum (Bawaslu).

 ABSTRACT

              The practice of money politics poses a serious threat to the integrity of regional elections (Pilkada) in Indonesia, where public opinions and complaints are widely voiced through the social media platform X. However, automated sentiment analysis on this issue is frequently hindered by a severe data class imbalance between positive and negative text documents. This study aims to implement a new workflow integrating the data balancing technique based on Synthetic Minority Over-sampling Technique (SMOTE) and the sequential architecture of Long Short-Term Memory (LSTM) to classify sentiments regarding election violations. The dataset consists of 1,013 Indonesian posts from platform X, extracted from October to November 2024. The methodology includes text preprocessing (cleaning, case folding, normalization, stopword removal, and tokenization), Embedding feature extraction, the application of SMOTE in the vector space, and classification using an LSTM with 128 hidden memory units. The results indicate that the incorporation of SMOTE successfully resolved the majority class bias inherent in the standard LSTM model. The proposed SMOTE-LSTM model significantly boosted the detection performance of the minority class, yielding a precision of 0.84, a recall of 0.83, and an F1-score of 0.83 for the negative class (fraud reports). The conclusion of this study demonstrates that the integration of SMOTE and LSTM provides robust sensitivity in recognizing election fraud opinions, making it highly viable as an initial automated digital monitoring module for the Elections Supervisory Agency (Bawaslu).