Pengajuan Artikel Jurnal – IDENT Identifikasi Faktor Dominan untuk Sentimen Negatif Masyarakat Terhadap Pelemahan Rupiah Menggunakan NLP dan Topic Modeling LDA

Authors

  • Zesi Walikhsani STMIK Bina Patria Magelang
  • Winda Anggaraeni STMIK Bina Patria
  • Riska Dwi Handayani STMIK Bina Patria

DOI:

https://doi.org/10.61124/sinta.v3i3.303

Keywords:

analisis sentimen, latent dirichlet allocation, natural language processing, pelemahan rupiah, topic modeling

Abstract

Pergerakan nilai tukar rupiah yang cenderung melemah terhadap mata uang asing menjadi salah satu isu ekonomi yang banyak mendapat perhatian dari masyarakat. Kondisi tersebut tidak hanya berdampak pada stabilitas perekonomian nasional, tetapi juga dapat mempengaruhi aktivitas ekonomi masyarakat secara langsung. Seiring meningkatnya penggunaan media sosial, berbagai tanggapan dan opini terkait pelemahan rupiah banyak disampaikan melalui platform digital, sehingga dapat dimanfaatkan sebagai sumber informasi untuk memahami pandangan publik. Seiring meningkatnya penggunaan media sosial, berbagai tanggapan dan opini terkait pelemahan rupiah banyak disampaikan melalui platform digital, sehingga dapat dimanfaatkan sebagai sumber informasi untuk memahami pandangan publik. Meskipun penelitian analisis sentimen telah banyak digunakan, sebagian besar masih terbatas pada pengelompokan opini ke dalam kategori sentimen tertentu tanpa mengungkap faktor yang melatarbelakangi munculnya sentimen tersebut. Oleh karena itu, penelitian ini bertujuan untuk mengidentifikasi faktor-faktor utama yang membentuk sentimen negatif masyarakat terhadap pelemahan nilai tukar rupiah dengan memanfaatkan pendekatan Natural Language Processing (NLP) dan metode Topic Modeling Latent Dirichlet Allocation (LDA). Data yang digunakan berjumlah 5.000 unggahan dari platform X (Twitter) yang telah diklasifikasikan ke dalam sentimen positif, netral, dan negatif. Tahapan penelitian meliputi preprocessing teks, pembobotan kata menggunakan TF-IDF, analisis distribusi sentimen, serta pemodelan topik dengan algoritma LDA. Hasil analisis menunjukkan bahwa sentimen negatif merupakan kategori yang paling dominan dengan proporsi 40,78% atau sebanyak 2.039 data. Pengujian model menghasilkan nilai Coherence Score sebesar 0,5255 dengan tiga topik optimal. Faktor yang paling berpengaruh terhadap terbentuknya sentimen negatif adalah dampak ekonomi domestik dengan bobot rata-rata 0,4007, diikuti oleh sentimen investor sebesar 0,3777 dan faktor teknis maupun global sebesar 0,2216. Temuan ini mengindikasikan bahwa perhatian masyarakat lebih banyak tertuju pada dampak ekonomi yang dirasakan secara langsung dibandingkan pengaruh faktor eksternal.

References

A. Kurniawan Santoso, “ANALISIS SENTIMEN TWITTER BAHASA INDONESIA MENGGUNAKAN PENDEKATAN MACHINE LEARNING,” JIK), vol. 6, no. 2, 2022.

I. Anggraini Siregar and F. Asy Syifa Nurul Haq, “JOISIElicensed under a Creative Commons Attribution-ShareAlike 4.0 International License (CC BY-SA 4.0),” Journal Of Information Systems And Informatics Engineering), vol. 9, no. 2, pp. 380–391, 2025, doi: 10.35145/joisie.v9i2.5528.

T. R. D. Lestari and C. C. Siahaan, “What do Indonesians talk when they talk about COVID-19 Vaccine: A Topic Modeling Approach with LDA,” 2022.

D. Abdul Fatah, F. Ihsan Kamil, B. Soesilo, and P. Sistem Informasi, “PENERAPAN NAÏVE BAYES DAN LATENT DIRICHLET ALLOCATION (LDA) UNTUK ANALISIS SENTIMEN DAN PEMODELAN TOPIK PADA PROYEK KERETA CEPAT JAKARTA-BANDUNG APPLICATION OF NAÏVE BAYES AND LATENT DIRICHLET ALLOCATION (LDA) FOR SENTIMENT ANALYSIS AND TOPIC MODELING ON THE JAKARTA-BANDUNG HIGH-SPEED RAIL PROJECT,” vol. 12, no. 2, 2024.

Indri Hapsari, “jurnal untuk nlp,” 2025.

R. Muhammad Ramli and C. Indah Ratnasari, “BULLETIN OF COMPUTER SCIENCE RESEARCH Pemodelan Topik pada Komunitas Ekspresi Emosi Negatif di Media Sosial X Menggunakan LDA,” Media Online), vol. 6, no. 1, pp. 224–234, 2025, doi: 10.47065/bulletincsr.v6i1.877.

C. A. Sirait, D. I. Inan, R. Juita, and V. A. L. Sirait, “AN ANALYSIS OF USER SATISFACTION USING SENTIMENT ANALYSIS AND TOPIC MODELING: A CASE OF LIVIN MANDIRI MOBILE APPLICATION,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 10, no. 4, pp. 2930–2940, Nov. 2025, doi: 10.29100/jipi.v10i4.6644.

J. Khatib Sulaiman Dalam No, U. Ilhami Arsyah, M. Pratiwi, and A. Muhammad, “Twitter Sentiment Analysis of Public Space Opinions using SVM and TF-IDF Methods,” Indonesian Journal of Computer Science Attribution, vol. 13, no. 1, pp. 2024–387.

A. Putri, S. Agustian, I. Afrianty, and F. Sains dan Teknologi, “EKSPLORASI FITUR FASTTEXT, TF-IDF DAN INDOBERT PADA METODE K-NEAREST NEIGHBOR UNTUK KLASIFIKASI SENTIMEN,” 2025.

“150-Article Text-717-2-10-20210805”.

Azka Bima Aditya, Ahmad Abdul Chamid, and Rizkysari Mei Maharani, “TOPIC MODELING OF PUBLIC DISCOURSE ON TWITTER ABOUT THE ASSET CONFISCATION BILL USING LATENT DIRICHLET ALLOCATION (LDA),” Jurnal Riset Informatika, vol. 8, no. 2, pp. 230–243, Mar. 2026, doi: 10.34288/jri.v8i2.477.

M. Muhajir and D. Rosadi, “Sentiment Analysis and Topic Modelling of Bjorka Using Support Vector Machine and Latent Dirichlet Allocation,” EKSAKTA: Journal of Sciences and Data Analysis, pp. 57–66, Apr. 2024, doi: 10.20885/eksakta.vol5.iss1.art7.

Z. N. Karimah and N. B. Laulita, “Pengaruh Faktor Ekonomi Makro, Kestabilan Politik dan Harga Minyak Dunia pada Nilai Tukar Rupiah terhadap Dolar Amerika Serikat,” Jurnal Maksipreneur: Manajemen, Koperasi, dan Entrepreneurship, vol. 13, no. 1, p. 374, Dec. 2023, doi: 10.30588/jmp.v13i1.1253.

S. P. Sari and S. Nurjannah, “Analisis Pengaruh Nilai Tukar, Jumlah Uang Beredar dan BI Rate Terhadap Inflasi di Indonesia dan Dampaknya Terhadap Daya Beli Masyarakat,” AKTIVA: Journal of Accountancy and Management, vol. 1, no. 1, pp. 21–29, Jan. 2023, doi: 10.24260/aktiva.v1i1.1015.

U. N. Jakarta, V. B. Lestari, and C. A. Hutagalung, “J-KOMA Journal of Computer Science and Applications Evaluation of TF-IDF Extraction Techniques in Sentiment Analysis of Indonesian-Language Marketplaces Using SVM, Logistic Regression, and Naive Bayes,” pp. 22–2025, doi: 10.21009/j.

Published

07/03/2026

How to Cite

Walikhsani, Z., Winda Anggaraeni, & Riska Dwi Handayani. (2026). Pengajuan Artikel Jurnal – IDENT Identifikasi Faktor Dominan untuk Sentimen Negatif Masyarakat Terhadap Pelemahan Rupiah Menggunakan NLP dan Topic Modeling LDA. Jurnal SINTA: Sistem Informasi Dan Teknologi Komputasi, 3(3). https://doi.org/10.61124/sinta.v3i3.303