ANALISIS SENTIMEN PENGGUNAAN ARTIFICIAL INTELLIGENCE TERHADAP PENYELENGGARAAN PEMILU 2024 MENGGUNAKAN METODE LONG SHORT-TERM MEMORY RECURRENT NEURAL NETWORK (LSTM-RNN) SKRIPSI

Atiqah Meutia Hilda; Yaommi Juanpasha Juliansyah;

Analisis Sentimen Penggunaan Artificial Intelligence Terhadap
Penyelenggaraan Pemilu 2024 Menggunakan Metode Long Short-Term

Memory Recurrent Neural Network (LSTM-RNN)
Yaommi Juanpasha Juliansyah, Atiqah Meutia Hilda

Penggunaan kecerdasan buatan (AI) dalam Pemilu 2024 di Indonesia menghadirkan peluang dan
tantangan baru. Penelitian ini bertujuan menganalisis sentimen masyarakat terhadap penerapan AI
dalam pemilu, dengan fokus pada dampaknya terhadap transparansi, etika, dan privasi dalam proses
politik. Data dikumpulkan dari berbagai platform media sosial, dengan total 768 data yang terdiri
dari opini dan komentar publik mengenai peran AI dalam pemilu. kemudian diproses untuk
mendapatkan 272 data bersih, dari data bersih tersebut, ditemukan 70 data positif, 81 data netral,
dan 121 data negatif. Split data dilakukan dengan 217 data latih (80%) dan 55 data uji (20%). Metode
yang digunakan adalah Long Short-Term Memory Recurrent Neural Network (LSTM-RNN) karena
kemampuannya menganalisis urutan teks untuk memprediksi dan mengidentifikasi sentimen
masyarakat, baik positif, negatif, maupun netral. Hasil penelitian menunjukkan bahwa AI memiliki
potensi untuk meningkatkan transparansi dan efisiensi dalam pemilu, namun juga menimbulkan
kekhawatiran tentang etika dan privasi. Model LSTM-RNN yang digunakan dalam penelitian ini
mampu mencapai tingkat akurasi 0,71 setelah diterapkan metode up-sampling pada kelas minoritas,
menunjukkan pentingnya penanganan ketidakseimbangan kelas dalam analisis sentimen. Hasil ini
menekankan bahwa penerapan AI dalam pemilu perlu diimbangi dengan kebijakan dan regulasi
yang memastikan transparansi, etika, dan privasi tetap terjaga. Penelitian ini juga menemukan bahwa
masih banyak masyarakat Indonesia yang tidak suka atau ragu dalam penggunaan AI di pemilu.
Penelitian ini memberikan wawasan penting bagi para pembuat kebijakan dan praktisi untuk
memahami dampak penerapan AI dalam pemilu dan bagaimana memitigasi risiko yang mungkin
timbul.
Kata kunci: Kecerdasan Buatan, Pemilu 2024, Analisis Sentimen, LSTM-RNN, Twitter
Sentiment Analysis of the Use of Artificial Intelligence for the Implementation
of the 2024 Election Using the Long Short-Term Memory Recurrent Neural

Network (LSTM-RNN) Method
Yaommi Juanpasha Juliansyah, Atiqah Meutia Hilda

The use of Artificial Intelligence (AI) in the 2024 Indonesian Election presents new opportunities
and challenges. This study aims to analyze public sentiment towards the application of AI in
elections, with a focus on its impact on transparency, ethics, and privacy in the political process.
Data were collected from various social media platforms, with a total of 768 data consisting of

public opinions and comments on the role of AI in elections. The method used is the Long Short-
Term Memory Recurrent Neural Network (LSTM-RNN) because of its ability to analyze text

sequences to predict and identify public sentiment, whether positive, negative, or neutral. The results
of the study show that AI has the potential to increase transparency and efficiency in elections, but
also raises concerns about ethics and privacy. The LSTM-RNN model used in this study was able to
achieve an accuracy level of 0.71 after applying the up-sampling method to the minority class,
indicating the importance of handling class imbalance in sentiment analysis. These results
emphasize that the application of AI in elections needs to be balanced with policies and regulations
that ensure transparency, ethics, and privacy are maintained. This study also found that many
Indonesians still do not like or are hesitant about the use of AI in elections. This research provides
important insights for policymakers and practitioners to understand the impact of AI implementation
in elections and how to mitigate the risks that may arise.
Keywords: Artificial Intelligence; 2024 Election; Sentiment Analysis; LSTM-RNN; Twitter