Analisis Sentimen Masyarakat terhadap Fatwa MUI dan Boikot Produk Terafiliasi Israel di X menggunakan IndoBERT dan Topic Modelling

Abstract

Konflik antara Israel dan Palestina telah memicu berbagai respons di seluruh dunia, termasuk di Indonesia. Majelis Ulama Indonesia (MUI) mengeluarkan fatwa yang mendukung perjuangan Palestina dan menganjurkan untuk memboikot produk terafiliasi Israel, yang memunculkan beragam tanggapan masyarakat. Analisis sentimen bertujuan untuk memberikan gambaran terhadap pola perbincangan masyarakat menggunakan IndoBERT, dan melakukan pemodelan topik menggunakan metode Latent Dirichlet Allocation. Penelitian ini mengklasifikasikan sentimen masyarakat ke dalam kategori positif, netral, dan negatif serta mengidentifikasi topik utama yang dibahas terkait fatwa tersebut. Tahapan penelitian meliputi pengumpulan data, praproses, pelabelan, pembagian data, pemodelan, evaluasi, dan pemodelan topik. Hasil penelitian menunjukkan bahwa model IndoBERT mampu mengklasifikasikan sentimen dengan akurasi 94%, sementara metode Latent Dirichlet Allocation berhasil mengidentifikasi topik utama dalam diskusi masyarakat untuk setiap kategori sentimen.

The ongoing conflict between Israel and Palestine has prompted diverse responses globally, including in Indonesia. The Indonesian Ulema Council (MUI) issued a fatwa supporting the Palestinian struggle and advocating for the boycott of products affiliated with Israel, which has elicited various reactions within the public. Sentiment analysis aims to provide an overview of public discourse patterns using IndoBERT and modelling the topic using the Latent Dirichlet Allocation method. This study classifies public sentiment into positive, neutral, and negative categories and identifies the primary topics discussed in relation to the fatwa. The research process includes data collection, preprocessing, labeling, data splitting, modeling, evaluation, and topic modeling. The results indicate that the IndoBERT model is capable of classifying sentiment with an accuracy rate of 94%, while the Latent Dirichlet Allocation method successfully identifies the main topics in public discourse for each sentiment category.