ANALISIS SENTIMEN OPINI PUBLIK TERHADAP KASUS KORUPSI BAHAN BAKAR MINYAK OPLOSAN PT PERTAMINA DENGAN HYBRID MODEL DEEP LEARNING

Abstract

Kasus korupsi terkait bahan bakar minyak (BBM) oplosan yang melibatkan PT Pertamina menjadi isu nasional yang menuai beragam respons dari masyarakat. Analisis sentimen terhadap opini publik di media sosial dapat memberikan wawasan penting bagi pemerintah dan pemangku kepentingan dalam memahami persepsi masyarakat terhadap kasus ini. Penelitian ini bertujuan untuk menganalisis sentimen opini publik terhadap dugaan kasus korupsi bahan bakar minyak (BBM) oplosan yang melibatkan PT Pertamina dengan menggunakan pendekatan hybrid model deep learning. Data dikumpulkan dari platform media sosial Twitter (X) dalam rentang 24 Februari hingga 19 Maret 2025, dengan total 12.365 tweet setelah melalui proses preprocessing. Penelitian ini mengimplementasikan empat arsitektur model, yaitu IndoBERT, CNN, LSTM, dan hybrid IndoBERT-CNN-LSTM. Hasil evaluasi menunjukkan bahwa model IndoBERT memberikan performa terbaik dengan akurasi 90%, diikuti oleh CNN (86%), hybrid (84%), dan LSTM dengan akurasi terendah (69%). Selain itu, skema validasi K-Fold menghasilkan evaluasi model yang lebih stabil dibandingkan metode Hold-Out. Berdasarkan analisis distribusi sentimen, opini publik didominasi oleh sentimen negatif sebesar 72%, sementara sentimen positif dan netral masing-masing sebesar 16%. Temuan ini menunjukkan bahwa masyarakat cenderung memberikan tanggapan negatif terhadap isu korupsi BBM di PT Pertamina. Penelitian ini berkontribusi dalam pemahaman opini publik di media sosial menggunakan pendekatan deep learning, serta menekankan pentingnya pemilihan model dan strategi validasi yang tepat dalam tugas klasifikasi teks berbahasa Indonesia.The corruption case related to oplosan fuel oil involving PT Pertamina has become a national issue that has drawn diverse responses from the public. Sentiment analysis of public opinion on social media can provide important insights for the government and stakeholders in understanding public perceptions of the case. This study aims to analyze public opinion sentiment regarding the alleged fuel adulteration corruption case involving PT Pertamina, using a hybrid deep learning model approach. Data were collected from the social media platform Twitter (X) between February 24 and March 19, 2025, resulting in 12,365 tweets after preprocessing. The study implements four model architectures: IndoBERT, CNN, LSTM, and a hybrid IndoBERT-CNN-LSTM model. Evaluation results show that IndoBERT achieved the highest accuracy at 90%, followed by CNN (86%), hybrid (84%), and LSTM with the lowest accuracy (69%). In addition, the K-Fold cross-validation scheme produced more stable model evaluation results than the Hold-Out method. Based on sentiment distribution analysis, public opinion was dominated by negative sentiment at 72%, while positive and neutral sentiments each accounted for 16%. These findings indicate that the public tends to respond negatively to the Pertamina fuel corruption issue. This study contributes to the understanding of public opinion on social media through a deep learning-based sentiment analysis approach and highlights the importance of selecting appropriate model architectures and validation strategies in the task of classifying Indonesian-language text.