Detail Cantuman

Penelitian ini menganalisis polarisasi opini publik terkait penghapusan subsidi bahan bakar minyak (BBM) di Indonesia dengan menggunakan pendekatan klasifikasi teks berbasis graf yang mengintegrasikan Pointwise Mutual Information (PMI) dan Graph Convolutional Networks (GCN). Salah satu tantangan utama dalam analisis sentimen pada data media sosial adalah kemampuan dalam menangkap hubungan kontekstual dan semantik pada teks yang bersifat pendek serta mengandung banyak noise, sehingga sering kali membatasi kinerja metode klasifikasi konvensional. Dataset yang digunakan terdiri atas 557 tweet yang telah melalui tahap prapemrosesan dan direpresentasikan dalam bentuk graf, di mana hubungan antarkata diberi bobot menggunakan PMI, sedangkan hubungan antara dokumen dan kata dibobotkan menggunakan TF-IDF. Penelitian ini mengevaluasi dua konfigurasi model, yaitu GCN tanpa integrasi PMI sebagai model dasar dan GCN dengan integrasi PMI, yang masing-masing dilatih menggunakan pembagian data train-validation-test sebesar 70:15:15 dengan pengaturan hiperparameter yang identik. Hasil eksperimen menunjukkan bahwa model GCN dasar mencapai akurasi maksimum sebesar 69%, sementara integrasi PMI mampu meningkatkan kinerja model dengan akurasi tertinggi sebesar 75%. Hasil ini menunjukkan bahwa penggunaan PMI dapat memperkaya representasi graf dan meningkatkan efektivitas GCN dalam melakukan klasifikasi sentimen terhadap data opini politik pada media sosial.