Publisher

AMIKLPSAMIKLPS

Journal Jurnal Manajemen Informatika, Sistem Informasi dan Teknologi Komputer (JUMISTIK)Jurnal Manajemen Informatika, Sistem Informasi dan Teknologi Komputer (JUMISTIK) Abstract

Komentar media sosial tentang film yang akan datang sering kali mengekspresikan tingkat antusiasme penonton secara tidak terstruktur, sehingga sulit diklasifikasikan secara manual. Penelitian ini mengimplementasikan model klasifikasi berbasis BERT untuk mengelompokkan komentar berbahasa Inggris ke dalam tiga kategori: Excited, Netral, dan Not Excited. Data dikumpulkan dari media sosial, dianotasi secara manual, lalu melalui tahap pembersihan, tokenisasi, dan encoding. Selanjutnya, data dibagi menggunakan random split dan stratified split sebelum proses pelatihan dan evaluasi model. Hasil eksperimen menunjukkan bahwa BERT mampu memberikan performa klasifikasi yang baik, dengan stratified split menghasilkan akurasi yang lebih tinggi dan stabil dibandingkan random split. Model juga diintegrasikan ke dalam aplikasi web sederhana sebagai implementasi praktis. Hasil penelitian ini membuktikan efektivitas BERT dalam menganalisis excitement audiens terhadap film mendatang melalui komentar media sosial.

Conclusion

Penelitian ini menunjukkan bahwa model BERT efektif dalam mengklasifikasikan excitement audiens terhadap film yang akan datang berdasarkan komentar di media sosial.Model BERT mampu memberikan performa yang cukup baik dengan akurasi tertinggi mencapai 92,47% pada pembagian data stratified.Proses preprocessing yang meliputi pembersihan teks, tokenisasi, encoding, serta penerapan pembagian data random dan stratified berkontribusi pada peningkatan kinerja model.

Future Research

Penelitian lanjutan dapat difokuskan pada perluasan cakupan data dengan menyertakan komentar dalam berbagai bahasa, termasuk Bahasa Indonesia, untuk merepresentasikan persepsi audiens yang lebih beragam. Selain itu, eksplorasi varian transformer lain seperti RoBERTa, DistilBERT, atau IndoBERT dapat memberikan gambaran komprehensif mengenai efektivitas tiap arsitektur dalam klasifikasi komentar. Lebih lanjut, penelitian dapat mengkaji tingkat excitement terhadap tiap film secara spesifik, memetakan distribusi sentimen Excited, Netral, dan Not Excited secara terpisah untuk masing-masing film, sehingga menghasilkan wawasan yang lebih mendalam mengenai pola respons audiens terhadap film tertentu. Dengan demikian, strategi pemasaran film dapat disesuaikan secara lebih efektif berdasarkan analisis sentimen yang lebih rinci dan kontekstual.

References

1. Sentiment analysis of movie review classifications using deep learning approaches | International Journal... science-gate.com/IJAAS/2024/V11I8/1021833ijaas202408016.htmlSentiment analysis of movie review classifications using deep learning approaches International Journal science gate IJAAS 2024 V11I8 1021833ijaas202408016 html
2. Comprehensive guidelines for emotion annotation | Proceedings of the 22nd ACM International Conference... doi.org/10.1145/3514197.3549640Comprehensive guidelines for emotion annotation Proceedings of the 22nd ACM International Conference doi 10 1145 3514197 3549640
3. A BERT-CNN Based Approach on Movie Review Sentiment Analysis | SHS Web of Conferences. bert cnn based... doi.org/10.1051/shsconf/202316304007A BERT CNN Based Approach on Movie Review Sentiment Analysis SHS Web of Conferences bert cnn based doi 10 1051 shsconf 202316304007

Metadata

File size	721.68 KB
Pages	12
DMCA	Report