Publisher

PLBPLB

Journal TEMATIKTEMATIK Abstract

Aplikasi TikTok merupakan salah satu platform media sosial paling populer di Indonesia dengan jutaan ulasan pengguna di Google Play Store. Penelitian ini bertujuan untuk menganalisis sentimen terhadap ulasan TikTok menggunakan pendekatan deep learning dengan fine-tuning IndoBERT dan berfokus pada penerapan teknik oversampling untuk menangani ketidakseimbangan data, dengan tujuan utama meningkatkan performa model, terutama dalam mengenali sentimen netral. Penelitian ini menggunakan dataset sebanyak 100.002 ulasan yang diambil dari kaggle dan dilabeli secara otomatis berdasarkan rating positif, netral dan negatif. Tahapan pra‑processing mencakup cleaning, case folding, normalisasi, tokenisasi menggunakan tokenizer IndoBERT. Model IndoBERT kemudian di fine‑tune menggunakan data latih sebanyak 80% dan 20% data uji, dengan teknik oversampling untuk menyeimbangkan kelas. Evaluasi dilaksanakan dengan memakai metrik akurasi, presisi, recall, F1‑score, dan confusion matrix. Hasil penelitian menunjukkan bahwa IndoBERT mampu mencapai akurasi 89,75% dengan performa tinggi pada kelas positif F1‑score 0,87, negatif F1‑score 0,89, dan netral F1‑score 0,93. Performa tinggi yang seimbang di semua kelas ini terutama kelas netral menunjukkan bahwa strategi oversampling berhasil memungkinkan model untuk mengenali semua sentimen secara efektif. Temuan ini juga menunjukkan bahwa model IndoBERT yang di fine‑tune adalah model yang efektif untuk menganalisis sentimen publik pada ulasan aplikasi berbahasa Indonesia.

Conclusion

Penelitian ini membuktikan bahwa model IndoBERT yang di‑fine‑tune dengan teknik oversampling sangat efektif untuk klasifikasi sentimen ulasan aplikasi TikTok, mencapai akurasi keseluruhan 89,75%.Model menunjukkan performa seimbang dengan F1‑score 0,87 untuk kelas positif, 0,89 untuk kelas negatif, dan 0,93 untuk kelas netral, yang secara signifikan meningkatkan deteksi sentimen netral dibandingkan studi sebelumnya.Penelitian selanjutnya disarankan membandingkan teknik oversampling ini dengan metode penyeimbangan data yang lebih canggih seperti SMOTE untuk mengevaluasi efektivitas lebih lanjut.

Future Research

Penelitian lanjutan dapat mengeksplorasi efektivitas teknik penyeimbangan data lain seperti SMOTE atau ADASYN pada klasifikasi sentimen ulasan TikTok untuk mengetahui apakah metode tersebut dapat meningkatkan akurasi kelas netral dibandingkan oversampling tradisional; selain itu, studi dapat memperluas analisis dengan mengintegrasikan data multimodal, misalnya menggabungkan teks ulasan dengan metadata audio atau video dari video TikTok, guna menilai apakah kombinasi fitur tersebut memberikan pemahaman sentimen yang lebih komprehensif; selanjutnya, penting untuk mengembangkan versi ringan model IndoBERT yang dapat dijalankan pada perangkat edge atau smartphone, sehingga memungkinkan analisis sentimen secara real‑time dengan konsumsi sumber daya yang terbatas, yang pada gilirannya dapat meningkatkan aplikasi praktis dalam monitoring opini publik di platform media sosial.

References

1. Analisis Sentimen Terhadap Ulasan Access By KAI Pada Google Play Store Menggunakan Metode Indobert |... doi.org/10.59696/prinsip.v3i1.69Analisis Sentimen Terhadap Ulasan Access By KAI Pada Google Play Store Menggunakan Metode Indobert doi 10 59696 prinsip v3i1 69
2. Analisis Sentimen Terhadap Ulasan Aplikasi TikTok menggunakan Fine Tuning IndoBERT | TEMATIK. analisis... doi.org/10.38204/tematik.v12i2.2629Analisis Sentimen Terhadap Ulasan Aplikasi TikTok menggunakan Fine Tuning IndoBERT TEMATIK analisis doi 10 38204 tematik v12i2 2629
3. ANALISIS SENTIMEN PUBLIK DI MEDIA SOSIAL TERHADAP KENAIKAN PPN 12% DI INDONESIA MENGGUNAKAN INDOBERT... ojs.ninetyjournal.com/index.php/JKBTI/article/view/322ANALISIS SENTIMEN PUBLIK DI MEDIA SOSIAL TERHADAP KENAIKAN PPN 12 DI INDONESIA MENGGUNAKAN INDOBERT ojs ninetyjournal index php JKBTI article view 322

Metadata

File size	246.92 KB
Pages	6
DMCA	Report