Perbandingan Kinerja Model GRU dan CNN-1D untuk Analisis Sentimen Pergantian Menteri Keuangan pada Media Sosial X: Performance Comparison of GRU and CNN-1D in Sentiment Analysis for the Minister of Finance Replacement on Social Media X

Yoggy Montana Hendry; Gerry Firmansyah; Hani Dewi Ariessanti; Agus Herwanto

doi:10.57152/malcom.v6i3.2556

Authors

Yoggy Montana Hendry Universitas Esa Unggul
Gerry Firmansyah Universitas Esa Unggul
Hani Dewi Ariessanti Universitas Esa Unggul
Agus Herwanto Universitas Esa Unggul

DOI:

https://doi.org/10.57152/malcom.v6i3.2556

Keywords:

Analisis Sentimen, CNN-1D, GRU, Deep learning, Menteri Keuangan, Sosial Media X

Abstract

Media sosial X (sebelumnya Twitter) telah menjadi sumber penting untuk memahami opini publik terhadap berbagai isu sosial dan politik. Salah satu isu yang memicu beragam tanggapan masyarakat adalah pergantian Menteri Keuangan Purbaya Yudhi Sadewa. Penelitian ini bertujuan membandingkan kinerja dua arsitektur deep learning, yaitu Convolutional Neural Network satu dimensi (CNN-1D) dan Gated Recurrent Unit (GRU), dalam mengklasifikasikan sentimen publik berbahasa Indonesia ke dalam kategori positif, netral, dan negatif. Sebanyak 3.567 tweet dikumpulkan melalui API resmi platform X dalam periode 8 September hingga 8 Oktober 2025. Data diproses melalui tahapan pembersihan (cleansing data), case folding, normalisasi, dan tokenisasi. Pelabelan sentimen dilakukan menggunakan pendekatan berbasis leksikon (InSet), menghasilkan distribusi positif sebesar 1.957 (54,86%), negatif sebesar 934 (26,18%), dan netral sebesar 676 (18,95%). Hasil evaluasi menunjukkan bahwa CNN-1D mengungguli GRU dengan akurasi 80%, dibandingkan dengan 65% pada GRU. CNN-1D lebih efektif dalam mengekstraksi fitur lokal pada teks pendek, sedangkan GRU berfokus pada pemodelan dependensi sekuensial. Temuan ini menegaskan pentingnya kesesuaian antara arsitektur model dan karakteristik data dalam analisis sentimen pada teks pendek.

Downloads

Download data is not yet available.

References

W. Nugraha, M. Tito Julianto, M. Khoirun Najib, dan E. Khatizah, “Public Sentiment Toward the Indonesian Capital Relocation Policy on X Using a BiLSTM-CNN Model,” Jurnal Telematika, vol. 20, no. 2, hlm. 114–126, Jan 2026, doi: 10.61769/telematika.v20i2.796.

S. Sulaiman dan G. Suroyo, “Indonesia Replaces Respected Finance Minister With Economist Promising Rapid Growth,” Reuters. Diakses: 25 Oktober 2025. [Daring]. Tersedia pada: https://www.reuters.com/world/asia-pacific/indonesia-replaces-respected-finance-minister-with-economist-promising-rapid-2025-09-08/

F. Fitroh dan F. Hudaya, “Systematic Literature Review: Analisis Sentimen Berbasis Deep learning,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 9, no. 2, hlm. 132–140, Agu 2023, doi: 10.25077/teknosi.v9i2.2023.132-140.

F. Fahry, T. C. Miswaty, dan H. Harun, “Analyzing Marketplace Reviews Using Word2Vec, CNN, and Deep K-Means with Sociolinguistic Approaches,” Jurnal Teknik Informatika (Jutif), vol. 6, no. 6, hlm. 5489–5502, Des 2025, doi: 10.52436/1.jutif.2025.6.6.5340.

M. N. A. P. Khano, D. R. S. Saputro, Sutanto, dan A. Wibowo, “Sentiment Analysis With Long-Short Term Memory (LSTM) And Gated Recurrent Unit (GRU) Algorithms,” Barekeng, vol. 17, no. 4, hlm. 2235–2242, Des 2023, doi: 10.30598/barekengvol17iss4pp2235-2242.

C. Matobobo dan T. C. Garidzira, “Examining 1D and 2D CNN Architectures in Comparison for Sentiment Analysis in Sequential Data: A Case Study of Spotify Music Reviews,” The Indonesian Journal of Computer Science, vol. 14, no. 2, Apr 2025, doi: 10.33022/ijcs.v14i2.4740.

N. A. Angraini dan K. M. Lhaksmana, “Sentiment Analysis About Legislative Elections using Deep learning with LSTM and CNN Models,” Building of Informatics, Technology and Science (BITS), vol. 6, no. 1, Jun 2024, doi: 10.47065/bits.v6i1.5283.

A. Z. R. Adam dan E. B. Setiawan, “Social Media Sentiment Analysis Using Convolutional Neural Network (CNN) and Gated Recurrent Unit (GRU),” Jurnal Ilmiah Teknik Elektro Komputer dan Informatika, vol. 9, no. 1, hlm. 119–131, Feb 2023, doi: 10.26555/jiteki.v9i1.25813.

S. Riyadi, F. D. Daffa, C. D. Damarjati, dan M. S. A. M. A. Ali, “Sentiment Analysis on Social Media Uusing CNN-RNN Hybrid: A Case Study of Indonesian Presidential Candidate,” Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control, Mei 2025, doi: 10.22219/kinetik.v10i2.2125.

F. A. Irawan dan D. A. Rochmah, “Penerapan Algoritma CNN Untuk Mengetahui Sentimen Masyarakat Terhadap Kebijakan Vaksin Covid-19,” JURNAL INFORMATIKA, vol. 9, no. 2, 2022, [Daring]. Tersedia pada: http://ejournal.bsi.ac.id/ejurnal/index.php/ji

S. Putri Inombi, D. Rahmawaty Isa, S. K. Nasib, I. K. Hasan, dan S. Nurmardia Abdussamad, “Analisis Sentimen Pengguna X (Twitter) Terhadap Kebijakan Tapera Di Indonesia Menggunakan Metode CNN Dan BERT,” Jurnal Matematika dan Ilmu Pengetahuan Alam, vol. 6, 2025, doi: 10.3483/trigonometri.v1i1.800.

F. Haerani, “Analisis Sentimen Program Makan Bergizi Gratis Berdasarkan Komentar Di Media Sosial X Menggunakan GRU,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 14, no. 1, Jan 2026, doi: 10.23960/jitet.v14i1.8754.

W. Dwi Jayanto, T. Feri Efendi, dan S. Rokhmah, “Analisis Sentimen Publik Pada Aplikasi X Terhadap Fatwa Mui Produk Pro Israel Dengan Metode Gated Recurrent Unit,” Jun 2025, doi: 10.8734/Kohesi.v1i2.36.

R. K. Das, M. Islam, M. M. Hasan, S. Razia, M. Hassan, dan S. A. Khushbu, “Sentiment analysis in multilingual context: Comparative analysis of machine learning and hybrid deep learning models,” Heliyon, vol. 9, no. 9, Sep 2023, doi: 10.1016/j.heliyon.2023.e20281.

A. F. Aufar, Mochamad Alfan Rosid, A. Eviyanti, dan I. R. I. Astutik, “Optimizing Text Preprocessing for Accurate Sentiment Analysis on E-Wallet Reviews,” JICTE (Journal of Information and Computer Technology Education), vol. 7, no. 2, hlm. 42–50, Okt 2023, doi: 10.21070/jicte.v7i2.1650.

K. K. A. G. R. Atmaja dan I. G. I. Sudipa, “Sentiment Analysis of Public Opinion towards the Crypto Academy Class Using the Convolutional Neural Network Method,” 2025. [Daring]. Tersedia pada: https://isarpublisher.com/journal/isarjst

J. Homepage dkk., “MALCOM: Indonesian Journal of Machine Learning and Computer Science Sentiment Review Analysis on the BSB Mobile Application Using Convolutional Neural Networks and Support Vector Machine Algorithm Analisis Ulasan Sentimen pada Aplikasi Mobile BSB Menggunakan Algoritma Convolutional Neural Networks dan Support Vector Machine,” vol. 6, no. 2, hlm. 829–838, 2026, doi: 10.57152/malcom.v6i2.2637.

Y. Fauziah, B. Yuwono, dan A. S. Aribowo, “Lexicon Based Sentiment Analysis in Indonesia Languages?: A Systematic Literature Review,” RSF Conference Series: Engineering and Technology, vol. 1, no. 1, hlm. 363–367, Des 2021, doi: 10.31098/cset.v1i1.397.

Y. Asri, D. Kuswardani, W. N. Suliyanti, Y. O. Manullang, dan A. R. Ansyari, “Sentiment analysis based on Indonesian language lexicon and IndoBERT on user reviews PLN mobile application,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 38, no. 1, hlm. 677, Apr 2025, doi: 10.11591/ijeecs.v38.i1.pp677-688.

S. Riyadi, F. D. Daffa, C. D. Damarjati, dan M. S. A. M. A. Ali, “Sentiment Analysis on Social Media Uusing CNN-RNN Hybrid: A Case Study of Indonesian Presidential Candidate,” Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control, Mei 2025, doi: 10.22219/kinetik.v10i2.2125.