Klasifikasi Sentimen Dengan Indobertweet Dan Pemodelan Bertopic Isu Program Magang Berdampak Pada Platform-X

Abstract

Program Magang Berdampak 2025 menimbulkan berbagai diskusi di media sosial, khususnya pada platform X, tempat mahasiswa aktif membagikan opini dan pengalaman mereka terkait program tersebut. Penelitian ini bertujuan untuk mengklasifikasikan sentimen publik serta mengidentifikasi topik-topik dominan yang muncul dalam pembahasan mengenai Program Magang Berdampak 2025 menggunakan pendekatan klasifikasi sentimen dan pemodelan topik. Klasifikasi sentimen dilakukan menggunakan IndoBERTweet, yaitu model transformer pralatih yang dirancang khusus untuk data Twitter berbahasa Indonesia. Sementara itu, pemodelan topik dilakukan menggunakan Improved BERTopic yang mengintegrasikan embedding IndoBERTweet, reduksi dimensi menggunakan Uniform Manifold Approximation and Projection (UMAP), clustering menggunakan Balanced Iterative Reducing and Clustering using Hierarchies (BIRCH), serta representasi topik menggunakan pembobotan BM25. Hasil klasifikasi sentimen menunjukkan bahwa model IndoBERTweet memperoleh nilai balanced accuracy sebesar 0,77 yang mengindikasikan performa yang baik dalam mengklasifikasikan sentimen. Model Improved BERTopic berhasil menghasilkan 9 topik. Hasil penelitian menunjukkan bahwa mahasiswa memiliki ketertarikan yang tinggi terhadap Program Magang Berdampak 2025. Namun, diskusi masih didominasi oleh permasalahan terkait sistem pendaftaran, lowongan, aksesibilitas informasi, serta munculnya jasa joki CV. Temuan ini diharapkan dapat mendukung evaluasi program dan menjadi bahan pertimbangan dalam pengembangan program magang pendidikan di masa mendatang.

The Magang Berdampak 2025 program has generated extensive discussions on social media, particularly on the X platform, where students actively share their opinions and experiences regarding the program. This study aims to classify public sentiment and identify the dominant topics emerging from discussions on the Magang Berdampak 2025 program using sentiment classification and topic modeling approaches. Sentiment classification was performed using IndoBERTweet, a pre-trained transformer model specifically designed for Indonesian Twitter data. Meanwhile, topic modeling was conducted using an Improved BERTopic framework that integrates IndoBERTweet embeddings, dimensionality reduction through Uniform Manifold Approximation and Projection (UMAP), clustering with Balanced Iterative Reducing and Clustering using Hierarchies (BIRCH), and topic representation based on BM25 weighting. The sentiment classification results show that the IndoBERTweet model achieved a balanced accuracy of 0.77, indicating good performance in classifying sentiment. The Improved BERTopic model successfully identified nine distinct topics. The findings reveal that students demonstrate a high level of interest in the Magang Berdampak 2025 program. However, the discussions are still dominated by issues related to the registration system, internship vacancies, information accessibility, and the emergence of CV-writing services. These findings are expected to support program evaluation and provide valuable insights for the future development of educational internship programs.