CD Skripsi

Implementasi Indobert Untuk Analisis Sentimen Opini Berbahasa Indonesia Yang Mengandung Sarkas

---

ABSTRAK

WINDA TANDI LILING, Implementasi IndoBERT Untuk Analisis Sen-timen Opini Berbahasa Indonesia yang Mengandung Sarkas (dibimbing oleh Pasnur dan Ratnawati).

Permasalahan yang terjadi adalah metode analisis sentimen konvension-al seperti LSTM, SVM, dan Random Forest cenderung mengklasifikasikan opini berdasarkan makna literal sehingga sering salah mengenali opini yang mengandung sarkasme, akibatnya akurasi analisis sentimen pada data media sosial berbahasa Indonesia menjadi menurun. Penelitian ini bertujuan mengimplementasikan model IndoBERT dengan pendekatan fine-tuning untuk analisis sentimen pada opini berbahasa Indonesia yang mengandung sarkasme, serta membandingkan kinerjanya dengan Support Vector Machine (SVM). Da-ta diperoleh melalui studi pustaka dan pengumpulan 2.400 opini dari platform TikTok, YouTube, Facebook, dan Twitter menggunakan teknik scrolling dan scraping, yang selanjutnya dilabeli secara manual berdasarkan sentimen (posi-tif, negatif, netral) dan sarkasme (sarkas, non-sarkas). Metode yang digunakan dalam penelitian adalah fine-tuning model IndoBERT yang dievaluasi menggunakan accuracy, precision, recall, F1-score, ROC-AUC, dan waktu komputasi pada tiga skema pembagian data, yaitu 90:10, 80:20, dan 70:30. Hasil penelitian ini menunjukkan bahwa IndoBERT secara konsisten mengungguli SVM, dengan rata-rata F1-score deteksi sarkasme sebesar 0,9866 dan ROC-AUC 0,9987, serta accuracy klasifikasi sentimen 0,9792 dan ROC-AUC 0,9928. Meskipun memerlukan waktu komputasi 26–39 kali lebih lama dibandingkan SVM, IndoBERT lebih efektif dalam memahami makna implisit pada kalimat sarkastik sehingga menghasilkan akurasi klasifikasi sentimen yang lebih tinggi. Temuan ini menunjukkan bahwa pendekatan berbasis IndoBERT berpotensi menjadi solusi yang andal untuk analisis sentimen pada teks berba-hasa Indonesia yang mengandung sarkasme.

Kata kunci: Analisis Sentimen, Sarkasme, IndoBERT, Fine-Tuning, Support Vector Machine.

---

Ketersediaan

Informasi Detail

Judul Seri

-

No. Panggil

CDSKR WIN i

Penerbit

Makassar : UNITAMA., 2026

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

REF WIN i

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

Pembimbing I: Pasnur dan Pembimbing II: Ratnawati Penguji: Rosihan Aminuddin, Fitriana M. Sabir dan Amran Amiruddin

Pernyataan Tanggungjawab

-

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar