Publisher

FOURIERFOURIER

Journal Jurnal FourierJurnal Fourier Abstract

Penelitian ini bertujuan untuk membandingkan performa tiga pendekatan analisis sentimen, yaitu Naïve Bayes, Support Vector Machine (SVM), dan Indonesian Bidirectional Encoder Representations from Transformers (IndoBERT), pada layanan IndiHome menggunakan data Twitter. Keterbatasan model tradisional melatarbelakangi penelitian ini dalam mengenali opini positif dan tantangan ketidakseimbangan data yang sering muncul dalam analisis berbasis media sosial. Data penelitian berupa 7393 tweet (Januari 2019–Agustus 2024) yang dilabeli secara manual menjadi sentimen positif dan negatif. Model dievaluasi menggunakan stratified 10-fold cross validation dan data uji, dengan penerapan teknik penanganan ketidakseimbangan berupa Synthetic Minority Oversampling Technique (SMOTE) dan pembobotan kelas (class weighting). Hasil menunjukkan IndoBERT unggul dengan akurasi 0,96 dan F1-score makro 0,95 tanpa penanganan khusus, sedangkan SVM mencapai akurasi 0,95 dengan pembobotan kelas, dan Naïve Bayes meningkat dari akurasi 0,89 menjadi 0,92 setelah SMOTE. Analisis tren sentimen menunjukkan opini negatif mendominasi, terutama terkait kecepatan dan kestabilan layanan. Temuan ini menegaskan bahwa IndoBERT lebih efektif dalam memahami konteks bahasa Indonesia, sementara teknik penanganan data tetap relevan untuk meningkatkan performa model tradisional. Hasil penelitian ini penting karena memberikan dasar empiris dalam pemilihan model analisis sentimen yang lebih akurat, adaptif terhadap bahasa Indonesia, dan bermanfaat dalam meningkatkan kualitas layanan.

Conclusion

Penelitian ini menyimpulkan bahwa model IndoBERT menunjukkan performa terbaik dalam analisis sentimen Twitter terkait layanan IndiHome, dengan akurasi 0,96 dan F1-score makro 0,95.Teknik penanganan data tidak seimbang, seperti SMOTE dan pembobotan kelas, efektif meningkatkan performa model Naïve Bayes dan SVM.Opini negatif mendominasi sentimen publik terhadap IndiHome, terutama terkait kecepatan dan kestabilan layanan, yang perlu menjadi perhatian utama dalam upaya peningkatan kualitas layanan.

Future Research

Penelitian lanjutan dapat dilakukan dengan memperluas sumber data analisis sentimen tidak hanya dari Twitter, tetapi juga dari platform media sosial lain seperti Instagram, Facebook, dan forum online untuk mendapatkan gambaran yang lebih komprehensif mengenai persepsi publik terhadap IndiHome. Selain itu, penelitian dapat mengeksplorasi penggunaan model transformer lain seperti IndoRoBERTa atau IndoGPT untuk membandingkan performanya dengan IndoBERT dalam konteks analisis sentimen layanan internet Indonesia. Lebih lanjut, penelitian dapat berfokus pada identifikasi aspek-aspek spesifik dari layanan IndiHome yang paling memengaruhi sentimen negatif, seperti kecepatan internet, kestabilan koneksi, atau kualitas layanan pelanggan, dengan menggunakan teknik aspect-based sentiment analysis. Hal ini akan memberikan informasi yang lebih detail dan actionable bagi IndiHome dalam upaya meningkatkan kepuasan pelanggan. Dengan mempertimbangkan kompleksitas dan dinamika layanan internet, penelitian lanjutan juga dapat mengintegrasikan data kuantitatif seperti data penggunaan bandwidth dan data gangguan layanan dengan data sentimen untuk mendapatkan pemahaman yang lebih holistik mengenai pengalaman pelanggan.

References

1. Indonesian Health Question Multi-Class Classification Based on Deep Learning | Journal of Information... journal-isi.org/index.php/isi/article/view/838Indonesian Health Question Multi Class Classification Based on Deep Learning Journal of Information journal isi index php isi article view 838
2. ANALISIS SENTIMEN GOJEK PADA MEDIA SOSIAL TWITTER DENGAN KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) | Fitriyah... ejournal3.undip.ac.id/index.php/gaussian/article/view/28932ANALISIS SENTIMEN GOJEK PADA MEDIA SOSIAL TWITTER DENGAN KLASIFIKASI SUPPORT VECTOR MACHINE SVM Fitriyah ejournal3 undip ac index php gaussian article view 28932
3. Jurnal Ilmiah Edutic : Pendidikan dan Informatika. jurnal ilmiah edutic pendidikan informatika issn print... doi.org/10.21107/edutic.v7i1.8779Jurnal Ilmiah Edutic Pendidikan dan Informatika jurnal ilmiah edutic pendidikan informatika issn print doi 10 21107 edutic v7i1 8779
4. Jurnal Ilmiah Edutic : Pendidikan dan Informatika. jurnal ilmiah edutic pendidikan informatika issn print... journal.trunojoyo.ac.id/eduticJurnal Ilmiah Edutic Pendidikan dan Informatika jurnal ilmiah edutic pendidikan informatika issn print journal trunojoyo ac edutic

Metadata

File size	701.17 KB
Pages	16
DMCA	Report