ANALISIS SENTIMEN TUNJANGAN ANGGOTA DPR DI PLATFORM X MENGGUNAKAN BIDIRECTIONAL GATED RECURRENT UNIT DENGAN PENANGANAN KETIDAKSEIMBANGAN DATA MENGGUNAKAN SYNTHETIC MINORITY OVERSAMPLING TECHNIQUE

Isu tunjangan anggota Dewan Perwakilan Rakyat (DPR) di Indonesia menimbulkan polemik dan memicu beragam sentimen publik di platform X. Analisis sentimen diperlukan untuk mengidentifikasi kecenderungan opini masyarakat secara sistematis dan terukur guna memperoleh gambaran objektif terhadap persepsi publik mengenai isu tersebut. Penelitian ini bertujuan untuk menganalisis kinerja model Bidirectional Gated Recurrent Unit (BiGRU) dalam mengklasifikasikan sentimen publik terkait tunjangan anggota DPR di platform X, serta mengevaluasi pengaruh penerapan Synthetic Minority Over-Sampling Technique (SMOTE) terhadap peningkatan performa klasifikasi pada kondisi data yang tidak seimbang. Pendekatan yang digunakan adalah analisis sentimen berbasis deep learning dengan representasi teks menggunakan word Embedding FastText dan arsitektur BiGRU untuk menangkap konteks dua arah, sementara SMOTE diterapkan untuk mengatasi ketidakseimbangan kelas data. Hasil penelitian menunjukkan bahwa model BiGRU menghasilkan akurasi 88.52% namun memiliki kemampuan terbatas dalam mendeteksi kelas minoritas. Setelah penerapan SMOTE, model menunjukkan peningkatan balanced accuracy, recall, dan F1-score walaupun mengalami penurunan akurasi 85.61% sehingga menghasilkan kinerja klasifikasi yang lebih seimbang. Dengan demikian, BiGRU dengan penerapan SMOTE terbukti efektif dalam meningkatkan kualitas analisis sentimen publik terhadap isu tunjangan anggota DPR.