Kebijakan efisiensi anggaran di sektor pendidikan memicu beragam respons publik di media sosial X, mulai dari kekhawatiran mengenai pemotongan dana operasional sekolah hingga dukungan terhadap transparansi anggaran. Penelitian ini bertujuan untuk mengklasifikasikan sentimen masyarakat (positif, negatif, dan netral) serta mengidentifikasi topik bahasan utama yang mendominasi diskursus tersebut menggunakan algoritma Latent Dirichlet Allocation (LDA). Metode yang diusulkan adalah Deep Learning dengan arsitektur Long Short Term Memory (LSTM) yang dikombinasikan dengan Keras Embedding Layer untuk menangani karakteristik teks media sosial yang tidak terstruktur. Korpus data sebanyak 1.500 tweet dikumpulkan melalui proses crawling pada platform X, yang kemudian melalui tahapan preprocessing dan pelabelan manual. Berdasarkan hasil pengujian menggunakan 5 skenario percobaan, model LSTM menunjukkan kinerja yang stabil dengan rata-rata akurasi sebesar 81,23% ± 2,20%. Pada performa terbaiknya, model mencapai tingkat akurasi 84,33%, dengan nilai rata-rata makro untuk presisi sebesar 85,68%, recall 83,93%, dan F1-score 84,63%. Hasil analisis LDA menunjukkan bahwa sentimen negatif mendominasi opini publik (43,4%), dengan topik utama terkait kekhawatiran dampak pemangkasan anggaran terhadap kuota beasiswa KIP Kuliah, kenaikan Uang Kuliah Tunggal (UKT), dan kesejahteraan guru. Sementara itu, sentimen netral (31,9%) berfokus pada penyebaran informasi faktual, dan sentimen positif (24,7%) berisi harapan agar efisiensi anggaran dapat memberantas penyalahgunaan dana untuk dialihkan pada infrastruktur pendidikan. Penelitian ini juga menghasilkan sebuah sistem dashboard analitik visual berbasis web yang dapat digunakan oleh pemangku kepentingan untuk memantau dinamika opini publik secara real-time.