Analisis Sentimen Terhadap Deradikalisasi Terorisme di Desa Tenggulun Menggunakan Long Short-Term Memory (LSTM) Pada Platform YouTube
DOI:
https://doi.org/10.30736/jt.v18i2.1694Keywords:
Analisis Sentimen, Deradikalisasi, Terorisme, LSTM, Natural Language ProcessingAbstract
Deradikalisasi terorisme merupakan isu strategis yang memerlukan pemantauan opini publik secara berkelanjutan, salah satunya melalui analisis sentimen terhadap komentar di media sosial. Penelitian ini bertujuan menganalisis sentimen masyarakat terhadap program deradikalisasi terorisme di Desa Tenggulun berdasarkan komentar pada video platform YouTube menggunakan metode Long Short-Term Memory (LSTM). Data yang digunakan terdiri dari 9.084 komentar yang telah melalui tahap praprocessing, meliputi cleaning, case folding, normalisasi kata, tokenisasi, penghapusan stopword, dan stemming berbasis Sastrawi. Pelabelan sentimen dilakukan secara otomatis menggunakan metode Lexicon-Based dengan kamus InSet (Indonesian Sentiment Lexicon), menghasilkan tiga kelas: Negatif (33.3%), Netral (33.3%)dan Positif (33.3%) Dataset dibagi dengan rasio 80:20 untuk data latih dan data uji. Model LSTM yang dibangun dengan lapisan Embedding, dua lapis LSTM, Dropout, dan lapisan Dense mencapai akurasi sebesar 85,69% dengan nilai precision, reacall, dan F1-Score rata-rata sebesar 0.86 pada data uji. Hasil penelitian menunjukkan bahwa model LSTM mampu mengklasifikasikan sentimen komentar YouTube berbahasa Indonesia dengan baik.
Downloads
References
Aribowo, A. S., Basiron, H., Yusof, N. F. A., & Khomsah, S. (2021). Cross-domain sentiment analysis model on Indonesian YouTube comment. International Journal of Advances in Intelligent Informatics, 7(1), 12–25. https://doi.org/10.26555/ijain.v7i1.554
Asri, Y., Kuswardani, D., Suliyanti, W. N., Manullang, Y. O., & Ansyari, A. R. (2025). Sentiment analysis based on Indonesian language lexicon and IndoBERT on user reviews PLN mobile application. Indonesian Journal of Electrical Engineering and Computer Science, 38(1), 677–688. https://doi.org/10.11591/ijeecs.v38.i1.pp677-688
Asshiddiq, M. H., & Witanti, A. (2025). Analisis Sentimen tentang Penundaan Pengangkatan CPNS 2025 pada Platform X Menggunakan Metode IndoBERT. Jurnal teknika, 17(2), 97–108. https://doi.org/10.30736/jt.v17i2.1448
Darmanto, D., Pradasari, N. I., & Wahyudi, E. (2024). Sistem Deteksi Plagiarisme Tugas Akhir Mahasiswa Berbasis Natural Language Processing Menggunakan Algoritma Jaro-Winkler dan TF-IDF. Smart Comp :Jurnalnya Orang Pintar Komputer, 13(1), 201–211. https://doi.org/10.30591/smartcomp.v13i1.6375
Duong, H.-T., & Nguyen-Thi, T.-A. (2021). A review: Preprocessing techniques and data augmentation for sentiment analysis. Computer Social Networks, 8(1), 1–16. https://doi.org/10.1186/s40649-020-00080-x
Erkan, A., & Güngör, T. (2024). Sentiment analysis using averaged weighted word vector features. PLOS ONE, 19(4), e0299264. https://doi.org/10.1371/journal.pone.0299264
Fauziansyah, I. (2020). Implementasi Kebijakan Reintegrasi Sosial dalam Program Deradikalisasi Terorisme oleh Badan Nasional Penanggulangan Terorisme [Skripsi]. UIN Sunan Gunung Djati Bandung.
Joseph, J., Vineetha, S., & Sobhana, N. V. (2022). A survey on deep learning-based sentiment analysis. Materials Today: Proceedings, 58, 456–460. https://doi.org/10.1016/j.matpr.2022.02.483
Kemp, S. (2024). Digital 2024: Indonesia. https://datareportal.com/reports/digital-2024-indonesia
Koto, F., & Rahmaningtyas, G. (2017, December 12). InSet Lexicon: Evaluation of a Word List for Indonesian Sentiment Analysis in Microblogs. https://doi.org/10.1109/IALP.2017.8300625
Kurniawan, R., Istiadi, I., & Iriananda, S. (2025). ANALISIS SENTIMEN ULASAN APLIKASI LINKEDIN BERBASIS LEXICON DAN LONG SHORT-TERM MEMORY (LSTM). JATI (Jurnal Mahasiswa Teknik Informatika), 9, 2315–2324. https://doi.org/10.36040/jati.v9i2.13042
Kusumaningrum, R., Nisa, I. Z., Jayanto, R.,
Nawangsari, R. P., & Wibowo, A. (2023). Deep learning-based application for multilevel sentiment analysis of Indonesian hotel reviews. Heliyon, 9(6), e17147. https://doi.org/10.1016/j.heliyon.2023.e17147
Lestari, V. B., & Utami, E. (2024). Combining Bi-LSTM and Word2Vec Embedding for Sentiment Analysis Models of Application User Reviews. Indonesian Journal of Computer Science, 13(2). https://doi.org/10.33022/ijcs
Lin, J.-W., Thanh, T. D., & Chang, R.-G. (2022). Multi-channel word embeddings for sentiment analysis. Soft Computing, 26(22), 12703–12715. https://doi.org/10.1007/s00500-022-07267-6
Meliyana R, S. M., Sudarmin, & Sabrina Effendy, Y. (2025). Analisis Sentimen Ulasan Game Simulator Indonesia di Google Play Store Menggunakan Algoritma Naive Bayes. VARIANSI: Journal of Statistics and Its application on Teaching and Research, 7(2), 169–178. https://doi.org/10.35580/variansiunm336
Oktavianus, J., & Davidson, B. (2023). Countering terrorism on social media: An analysis of online anti-terrorism movement in Indonesia. Media and Communication, 11(2). https://doi.org/10.17645/mac.v11i2.6438
Priyanto, A., & Ma’arif, M. R. (2018). Implementasi Web Scrapping dan Text Mining untuk Akuisisi dan Kategorisasi Informasi dari Internet (Studi Kasus: Tutorial Hidroponik). Indonesian Journal of Information Systems, 1(1), 25–33. https://doi.org/10.24002/ijis.v1i1.1664
Redjeki, S., & Widyarto, S. (2022). Comparison of Seven Machine Learning Algorithms in the Classification of Public Opinion. Tech-E, 5(2), 143–149. https://doi.org/10.31253/te.v5i1.1046
Rifaldi, D., Fadlil, A., & Herman. (2023). Teknik Preprocessing Pada Text Mining Menggunakan Data Tweet “Mental Health.” Decode: Jurnal Pendidikan Teknologi Informasi, 3, 161–171. https://doi.org/10.51454/decode.v3i2.131
Saha, B. N., & Senapati, A. (2020). Long Short-Term Memory (LSTM) Based Deep Learning for Sentiment Analysis of English and Spanish Data. 2020 International Conference on Computational Performance Evaluation (ComPE), 442–446. https://doi.org/10.1109/ComPE49325.2020.9200054
Savigny, J., & Purwarianti, A. (2017). Emotion
classification on YouTube comments using word embedding. Proceedings of the International Conference on Advanced Informatics: Concepts, Theory and Applications (ICAICTA), 1–5. https://doi.org/10.1109/ICAICTA.2017.8090986
Setiawan, E. I., & Lestari, I. (2021). Stance Classification Pada Berita Berbahasa Indonesia Berbasis Bidirectional LSTM. INSYST: Journal of Intelligent System and Computation, 3(1), 41–48. https://doi.org/10.52985/insyst.v3i1.148
Soniya, S. A., & Yani, M. T. (2022). Strategi Yayasan Lingkar Perdamaian dalam Upaya Deradikalisasi di Desa Tenggulun Kabupaten Lamongan. Jurnal Sosial Humaniora, 14(1), 1–20.
Tantimin, Situmeang, A., & Agustin, C. I. (2023). Peran Badan Nasional Penanggulangan Terorisme (BNPT) dalam Menanggulangi Radikalisme dan Terorisme di Indonesia. Fundamental: Jurnal Ilmiah Hukum, 12(2), 354–383. https://doi.org/10.34304/fundamental.v12i2.188
Wankhade, M., Rao, A. C. S., & Kulkarni, C. (2022). A survey on sentiment analysis methods, applications, and challenges. Artificial Intelligence Review, 55(7), 5731–5780. https://doi.org/10.1007/s10462-022-10144-1
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Burhanudin, Esther Irawati Setiawan, Gunawan
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Jurnal Teknika dilisensikan di bawah Attribution-ShareAlike 4.0 International (CC BY-SA 4.0). Anda bebas untuk:
Â
- Bagikan — salin dan distribusikan ulang materi dalam media atau format apa pun
- Beradaptasi — me-remix, mengubah, dan membangun materi untuk tujuan apa pun, bahkan secara komersial. Lisensi ini dapat diterima untuk Karya Budaya Bebas.
Pemberi lisensi tidak dapat mencabut kebebasan ini selama Anda mengikuti persyaratan lisensi.
- Atribusi — Anda harus memberikan kredit yang sesuai, memberikan tautan ke lisensi, dan menunjukkan jika ada perubahan. Anda dapat melakukannya dengan cara yang wajar, tetapi tidak dengan cara apa pun yang menunjukkan bahwa pemberi lisensi mendukung Anda atau penggunaan Anda.
- ShareAlike — Jika Anda me-remix, mengubah, atau membangun materi, Anda harus mendistribusikan kontribusi Anda di bawah lisensi yang sama seperti aslinya.
- Tidak ada batasan tambahan — Anda tidak boleh menerapkan persyaratan hukum atau tindakan teknologi yang secara hukum membatasi orang lain untuk melakukan apa pun yang diizinkan oleh lisensi.
Â
Hak Cipta
Penulis yang menerbitkan dengan jurnal ini menyetujui persyaratan berikut:
Â
Penulis mempertahankan hak cipta dan memberikan jurnal hak publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang memungkinkan orang lain untuk berbagi karya dengan pengakuan kepenulisan karya dan publikasi awal di jurnal ini .
Penulis dapat membuat pengaturan kontrak tambahan yang terpisah untuk distribusi non-eksklusif dari versi jurnal yang diterbitkan dari karya tersebut (misalnya, mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan publikasi awalnya di jurnal ini.
Penulis diizinkan dan didorong untuk memposting karya mereka secara online (misalnya, di repositori institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena dapat menghasilkan pertukaran yang produktif, serta kutipan lebih awal dan lebih besar dari karya yang diterbitkan (Lihat Pengaruh Akses Terbuka).
 
Jutnal teknika oleh Universitas Islam Lamongan berlisensi Creative Commons Attribution-ShareAlike 4.0 International License.
Berdasarkan karya di https://jurnalteknik.unisla.ac.id/index.php/teknika/index
