ANALISIS SENTIMEN DAN PEMODELAN TOPIK MENGGUNAKAN METODE BERT DAN LDA : (STUDI KASUS PROGRAM MAKAN GRATIS DI TWITTER)

SENTIMENT ANALYSIS AND TOPIC MODELING USING BERT AND LDA METHODS : (CASE STUDY OF FREE MEAL PROGRAM ON TWITTER)

Program Makan Gratis merupakan salah satu upaya strategis pemerintah Indonesia untuk mengatasi masalah kemiskinan dan malnutrisi (stunting) secara terstruktur. Sebagai kebijakan baru dengan dampak sosial dan fiskal yang masif, diperlukan evaluasi mendalam untuk mengukur penerimaan masyarakat. Penelitian ini bertujuan untuk mengategorikan sentimen publik menjadi positif dan negatif serta mengidentifikasi topik-topik dominan yang dibicarakan di media sosial Twitter (X) mengenai program tersebut. Metodologi yang digunakan dalam penelitian ini melibatkan pengumpulan data melalui crawling Twitter dengan total 8.307 data. Pelabelan sentimen dilakukan secara otomatis menggunakan model deep learning IndoBERT, yang kemudian dilanjutkan dengan pemodelan topik menggunakan metode Latent Dirichlet Allocation (LDA) untuk setiap kategori sentimen. Validasi hasil pemodelan dilakukan melalui uji koherensi topik dengan teknik Word Intrusion Task dan Topic Intrusion Task. Hasil penelitian menunjukkan distribusi sentimen yang tidak seimbang, dengan 7.034 data sentimen negatif dan 1.273 data sentimen positif. Pemodelan LDA berhasil mengekstrak masing-masing 5 topik optimal untuk kedua kategori sentimen. Pada sentimen positif, topik utama meliputi efisiensi anggaran, peran lembaga pemerintah (Polri), teknis implementasi, dan pemberdayaan ekonomi lokal. Sementara itu, sentimen negatif mencakup kekhawatiran terkait prioritas anggaran negara (APBN), isu kesehatan/keracunan, serta perbandingan urgensi antara program makan gratis dengan sektor pendidikan dan kesehatan. Hasil uji koherensi menunjukkan tingkat akurasi interpretasi sebesar 93% untuk kata kunci dan 79% untuk keterkaitan topik, yang mengindikasikan bahwa model LDA yang dikembangkan telah optimal dalam mengekstrak opini publik.

The Free Meal Program is one of the Indonesian government's strategic efforts to structurally address poverty and malnutrition (stunting). As a new policy with massive social and fiscal impacts, an in-depth evaluation is required to measure public acceptance. This study aims to categorize public sentiment into positive and negative categories and identify the dominant topics discussed on Twitter (X) regarding the program. The methodology involved crawling Twitter data, resulting in a total of 8,307 datasets. Sentiment labeling was performed automatically using the IndoBERT deep learning model, followed by topic modeling using the Latent Dirichlet Allocation (LDA) method for each sentiment category. The results of the topic modeling were validated through topic coherence tests using word intrusion task and topic intrusion task techniques. The results showed an imbalanced sentiment distribution, with 7,034 negative sentiments and 1,273 positive sentiments. LDA modeling successfully extracted 5 optimal topics for both sentiment categories. Positive sentiments included topics such as budget efficiency, the role of government institutions (National Police), technical implementation, and local economic empowerment. Meanwhile, negative sentiments encompassed concerns regarding state budget (APBN) priorities, health/poisoning issues, and the comparative urgency between the free meal program and the education and health sectors. The coherence test results showed an interpretation accuracy rate of 93% for keywords and 79% for topic relevance, indicating that the developed LDA model was optimal in extracting public opinion.