UMKOUMKO

SiennaSienna

Transisi menuju energi berkelanjutan telah menjadi prioritas strategis Indonesia, terutama melalui kebijakan bahan bakar campuran beretanol. Namun, persepsi publik terhadap kebijakan tersebut masih beragam dan dinamis, khususnya di platform media sosial X. Penelitian ini bertujuan menganalisis sentimen publik terkait implementasi kebijakan bahan bakar campuran etanol dan membandingkan performa model Support Vector Machine (SVM) dengan IndoBERT dalam klasifikasi sentimen. Metode kualitatif eksperimental menggunakan Natural Language Processing (NLP) diambil dari 2.501 tweet yang dikumpulkan via web crawling dan diproses melalui dual pipeline preprocessing. Sentimen dilabeli dengan metode VADER yang disesuaikan untuk bahasa Indonesia, kemudian diverifikasi secara manual. Model SVM dilatih dengan fitur TF‑IDF, sedangkan IndoBERT difinetuning sebagai model Transformer. Eksperimen tambahan menggunakan class weighting dan Synthetic Minority Oversampling Technique (SMOTE) juga dievaluasi. Hasil menunjukkan bahwa IndoBERT melampaui SVM, mencapai akurasi 82,83 % dan weighted‑F1 82,72 %, dibandingkan SVM dengan akurasi 72,46 % dan weighted‑F1 72,02 %. SMOTE meningkatkan kinerja SVM, namun tetap di bawah IndoBERT. Sebagian besar opini publik bersifat positif, meskipun masih terdapat kekhawatiran teknis, ekonomi, dan infrastruktur.

Penelitian ini berhasil menganalisis sentimen masyarakat terhadap kebijakan penggunaan BBM campuran etanol di platform X dengan memanfaatkan pendekatan NLP.Hasilnya menunjukkan dominasi sentimen positif, menandakan kecenderungan penerimaan publik terhadap kebijakan energi berbasis bioetanol.Model berbasis Transformer, yakni IndoBERT, menunjukkan performa unggul dibandingkan SVM, dengan akurasi 82,83 % dan F1‑score 82,72 %.Eksperimen penanganan ketidakseimbangan data menegaskan bahwa strategi SMOTE dan class weighting dapat meningkatkan performance SVM, sementara IndoBERT baseline tetap unggul.Keterbatasan penelitian meliputi ukuran dataset terbatas dan distribusi kelas tidak sepenuhnya seimbang.disarankan untuk menggunakan dataset lebih besar, model lebih relevan untuk media sosial, serta teknik augmentasi data lebih lanjut.

Bagaimana dampak interaksi antar pengguna di X terhadap persepsi positif terhadap kebijakan BBM campuran etanol, dan apakah pola retweet mempengaruhi dominasi sentimen positif? Bagaimana pendekatan zero‑shot atau few‑shot learning dengan model LLM dapat meningkatkan akurasi klasifikasi sentimen pada kelas minoritas tanpa perlu data labeled tambahan? Apakah penggunaan teknik augmentasi sinyal berbasis semantik, seperti back‑translation dengan bahasa daerah, dapat memperkaya diversitas tweet sehingga model dapat menangani variasi bahasa informal lebih baik?.

  1. [2605.03439] Benchmarking Logistic Regression, SVM, Naive Bayes, and IndoBERT Fine-Tuning for Sentiment... doi.org/10.48550/arXiv.2605.034392605 03439 Benchmarking Logistic Regression SVM Naive Bayes and IndoBERT Fine Tuning for Sentiment doi 10 48550 arXiv 2605 03439
  2. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding - ACL Anthology. bert... doi.org/10.18653/v1/N19-1423BERT Pre training of Deep Bidirectional Transformers for Language Understanding ACL Anthology bert doi 10 18653 v1 N19 1423
Read online
File size675.03 KB
Pages20
DMCAReport

Related /

ads-block-test