Abstract:
PPenempatan dana pemerintah di sektor perbankan merupakan salah satu kebijakan
strategis yang bertujuan untuk menjaga stabilitas ekonomi dan meningkatkan
likuiditas perbankan. Namun, kebijakan ini memunculkan beragam respons dari
masyarakat yang tercermin dalam opini publik di media sosial. Penelitian ini
bertujuan untuk menganalisis dan membandingkan kinerja algoritma Extreme
Gradient Boosting (XGBoost) dan Bidirectional Long Short-Term Memory
(BiLSTM) dalam melakukan klasifikasi sentimen publik terhadap kebijakan
tersebut. Data yang digunakan berasal dari platform media sosial yang dikumpulkan
melalui teknik scraping, kemudian melalui tahap preprocessing yang meliputi
tokenisasi, normalisasi, dan penghapusan noise. Selanjutnya, fitur diekstraksi
menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF)
untuk XGBoost dan word embedding untuk BiLSTM. Evaluasi kinerja model
dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil
penelitian menunjukkan bahwa model BiLSTM memiliki kemampuan yang lebih
baik dalam menangkap konteks kalimat sehingga menghasilkan akurasi yang lebih
tinggi dibandingkan XGBoost. Namun, XGBoost menunjukkan keunggulan dalam
hal efisiensi komputasi dan waktu pelatihan. Penelitian ini memberikan kontribusi
dalam pemilihan model klasifikasi sentimen yang optimal untuk analisis opini
publik berbasis data teks, khususnya dalam konteks kebijakan ekonomi pemerintah.