ANALISIS KLASIFIKASI SENTIMEN MULTIKELAS PADA DATA TWITTER (X) MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK BERBASIS WORD EMBEDDING FASTTEXT DAN GLOVE (Studi Kasus: Busana Muslim Merek Elzatta dan Dauky)

Fitri Hartanti, Drs. Danardono, MPH., Ph.D.

2026 | Skripsi | STATISTIKA

Penelitian ini bertujuan untuk melakukan klasifikasi sentimen multikelas (positif, netral, dan negatif) pada data Twitter (X) yang berkaitan dengan merek busana muslim Elzatta dan Dauky. Data dikumpulkan melalui web scraping pada periode Januari 2020 hingga September 2025, kemudian diproses melalui tahapan text preprocessing, pelabelan sentimen, dan penanganan ketidakseimbangan kelas menggunakan random oversampling. Representasi teks dilakukan menggunakan pre-trained word embedding FastText dan GloVe, yang selanjutnya dievaluasi dengan beberapa arsitektur deep learning, yaitu CNN, LSTM, BiLSTM, CNN--LSTM, dan CNN--BiLSTM. Hasil eksperimen menunjukkan bahwa model CNN dengan FastText 300 dimensi memberikan performa terbaik pada data tidak seimbang dengan akurasi sebesar 83,25%, sedangkan pada data seimbang model CNN--LSTM dengan FastText mencapai akurasi tertinggi sebesar 81,66%. Secara konsisten, FastText menghasilkan kinerja dan efisiensi waktu komputasi yang lebih baik dibandingkan GloVe. Implementasi model terbaik pada data uji periode Februari hingga September 2025 menunjukkan dominasi sentimen positif sebesar 51,10%, diikuti sentimen netral 42,29?n sentimen negatif 6,61%. Temuan ini menunjukkan bahwa analisis sentimen media sosial dapat dimanfaatkan untuk memahami persepsi konsumen serta mendukung pengambilan keputusan strategis pada industri busana muslim.

This study aims to perform multiclass sentiment classification (positive, neutral, and negative) on Twitter (X) data related to the Muslim fashion brands Elzatta and Dauky. The dataset was collected through a web scraping process from January 2020 to September 2025 and processed using text preprocessing, sentiment labeling, and class imbalance handling with random oversampling. Text representation was performed using pre-trained word embeddings, namely FastText and GloVe, which were evaluated using several deep learning architectures, including CNN, LSTM, BiLSTM, CNN--LSTM, and CNN--BiLSTM. Experimental results indicate that the CNN model with 300-dimensional FastText embedding achieved the best performance on imbalanced data with an accuracy of 83.25%, while on balanced data the CNN--LSTM model with FastText obtained the highest accuracy of 81.66%. Overall, FastText consistently outperformed GloVe in terms of classification performance and computational efficiency. The application of the best model to testing data from February to September 2025 reveals that positive sentiment dominates at 51.10%, followed by neutral sentiment at 42.29% and negative sentiment at 6.61%. These findings demonstrate the potential of social media sentiment analysis as a tool for understanding consumer perception and supporting strategic decision-making in the Muslim fashion industry.

Kata Kunci : analisis sentimen, klasifikasi multikelas, CNN, LSTM, BiLSTM, FastText, Glove, Twitter, busana muslim