Analisis Sentimen Terhadap Program Makan Bergizi Gratis Menggunakan Pendekatan Pseudo-Labeling dan Arsitektur Transformer
Keywords:
Analisis Sentimen, Cost-Sensitive Learning, Pseudo-Labeling, Transformer, Kebijakan Publik.Abstract
Analisis sentimen terhadap kebijakan publik sering kali terkendala oleh ketimpangan distribusi data (class imbalance) yang ekstrem, sehingga model klasifikasi cenderung mengalami bias dan mengabaikan opini minoritas. Penelitian ini bertujuan untuk membangun model klasifikasi sentimen yang mampu mengurangi kecenderungan bias kelas mayoritas pada studi kasus Program Makan Bergizi Gratis di media sosial Twitter. Metodologi yang diusulkan mengintegrasikan teknik pseudo-labeling menggunakan IndoRoBERTa (Teacher Model) untuk mengekstraksi dan menyaring 18.385 cuitan menjadi korpus Silver Standard. Untuk mengatasi ketimpangan kelas tanpa manipulasi data (oversampling), penelitian ini menerapkan Cost-Sensitive Learning melalui modifikasi bobot Inverse Class Frequency pada fungsi Cross-Entropy Loss saat melakukan fine-tuning pada Student Model (IndoBERT dan XLM-RoBERTa). Hasil eksplorasi data menunjukkan kelas Netral mendominasi (50,4%), sementara kelas Negatif menjadi minoritas ekstrem (21,4%) yang memuat kritik rasional terkait beban anggaran. Hasil komputasi membuktikan bahwa arsitektur XLM-RoBERTa menunjukkan kinerja paling optimal dengan Akurasi global 87% dan Recall makro 87%, lebih tangguh dibandingkan IndoBERT. Evaluasi Confusion Matrix menegaskan bahwa penerapan penalti bobot berhasil menekan rasio kegagalan prediksi (False Negative) pada kelas minoritas hingga menyentuh angka 13,47%. Kesimpulannya, kerangka kerja hibrida ini efektif mendisiplinkan jaringan algoritma untuk mengurangi kecenderungan bias kelas mayoritas, sehingga menghasilkan instrumen kecerdasan buatan yang lebih proporsional untuk mendukung evaluasi opini kebijakan publik.
References
[2] C. Shen, “Social media marketing and digital influence for visitor flow management in sustainable heritage tourism,” Sci. Rep., vol. 15, pp. 1–14, 2025, doi: 10.1038/s41598-025-28555-9.
[3] E. Fundisi and Q. P. Dlamini, “Ten Years on : A Revisit on the # FeesMustFall Movement Discourse on Twitter / X,” Journal. Media, vol. 7, no. 2, pp. 1–12, 2026, doi: 10.3390/journalmedia7020098.
[4] M. A. Palomino, “Evaluating the Effectiveness of Text Pre-Processing in Sentiment Analysis,” Appl. Sci., vol. 12, no. 17, p. 8765, 2022, doi: 10.3390/app12178765.
[5] M. Ahmad, M. Waqas, A. Hamza, S. Usman, I. Batyrshin, and G. Sidorov, “UA-HSD-2025 : Multi-Lingual Hate Speech Detection from Tweets Using Pre-Trained Transformers,” Computers, vol. 14, pp. 1–24, 2025, doi: 10.3390/computers14060239.
[6] A. Albladi, M. Islam, and C. Seals, “Sentiment Analysis of Twitter Data Using NLP Models : A Comprehensive Review,” IEEE Access, vol. 13, no. January, pp. 30444–30468, 2025, doi: 10.1109/ACCESS.2025.3541494.
[7] T. Murugan et al., “Research Advances in Maize Crop Disease Detection Using Machine Learning and Deep Learning Approaches,” Computers, vol. 15, no. 2, pp. 1–53, 2026, doi: 10.3390/computers15020099.
[8] H. Abdul, A. Ariffin, and J. Singh, “Artificial Intelligence and Machine Learning solutions-based oral cancer screening and detection : A scoping review,” Artif. Intell. Med., vol. 180, no. April 2025, p. 103480, 2026, doi: 10.1016/j.artmed.2026.103480.
[9] I. Spiero, A. M. Leeuwenberg, J. Kamperman, L. Hooft, K. G. M. Moons, and J. A. A. Damen, “Using large language models for automated assessment of reporting quality and completeness of prediction model studies,” J. Clin. Epidemiol., vol. 196, p. 112320, 2026, doi: 10.1016/j.jclinepi.2026.112320.
[10] H. Iwidat, “Integrating Large Language Models and Graph Neural Networks for enhanced Arabic sentiment analysis,” Discov Comput., vol. 29, no. 376, 2026, doi: 10.1007/s10791-026-10211-z.
[11] N. Al-milli, “Emotion detection and sentiment analysis of textual data,” Egypt. Informatics J., vol. 34, no. April, p. 100976, 2026, doi: 10.1016/j.eij.2026.100976.
[12] H. Jakha, S. Tbaikhi, S. El Houssaini, M. El Houssaini, and S. Ajjaj, “A Hybrid SBERT – WGAN Framework with Ensemble Learning for Sentiment Analysis in Imbalanced Datasets,” Appl. Syst. Innov., vol. 9, no. 5, pp. 1–22, 2026, doi: 10.3390/asi9050103.
[13] S. Liu, W. Kong, Z. Liu, and J. Sun, “Dual-view cross attention enhanced semi-supervised learning method for discourse cognitive engagement classification in online course discussions,” Expert Syst. Appl., vol. 278, no. March, p. 127339, 2025, doi: 10.1016/j.eswa.2025.127339.
[14] X. Jing, Z. Wu, and D. Mu, “Enhancing text classification with neural label embedding and weakly-supervised learning,” Expert Syst. Appl., vol. 298, no. PB, p. 129569, 2026, doi: 10.1016/j.eswa.2025.129569.
