Publisher

IKHAFIIKHAFI

Journal JUKOMIKA (Jurnal Ilmu Komputer dan Informatika)JUKOMIKA (Jurnal Ilmu Komputer dan Informatika) Abstract

Media sosial X menjadi salah satu platform yang banyak digunakan masyarakat untuk menyampaikan opini terhadap berbagai layanan publik sehingga dapat dimanfaatkan sebagai sumber informasi dalam mengevaluasi kualitas pelayanan pemerintah. Penelitian ini bertujuan membandingkan kinerja algoritma Support Vector Machine (SVM) dan IndoBERT dalam mengklasifikasikan sentimen masyarakat terhadap layanan publik menggunakan Figshare Twitter Dataset. Dataset terlebih dahulu melalui proses filtering berdasarkan kata kunci layanan publik, kemudian dilakukan preprocessing yang meliputi case folding, cleaning, stopword removal, dan tokenization. Pada model SVM digunakan ekstraksi fitur TF-IDF, sedangkan IndoBERT menerapkan proses fine-tuning berbasis Transformer. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model IndoBERT memperoleh performa terbaik dengan accuracy 91,89%, precision 92,51%, recall 92,56%, dan F1-score 92,54%, sedangkan SVM memperoleh accuracy 81,20%, precision 78,02%, recall 78,74%, dan F1-score 78,88%. Hasil tersebut menunjukkan bahwa IndoBERT lebih efektif dalam memahami konteks bahasa Indonesia pada media sosial dibandingkan SVM berbasis TF-IDF. Penelitian ini diharapkan menjadi referensi dalam pengembangan sistem analisis sentimen untuk mendukung evaluasi layanan publik berbasis media sosial.

Conclusion

Penelitian ini berhasil membandingkan performa Support Vector Machine (SVM) dan IndoBERT dalam melakukan analisis sentimen masyarakat terhadap layanan publik pada media sosial X menggunakan Figshare Twitter Dataset.Berdasarkan hasil evaluasi, model IndoBERT menunjukkan kinerja yang lebih unggul dibandingkan SVM dengan memperoleh accuracy sebesar 91,89%, precision 92,51%, recall 92,56%, dan F1-score 92,54%, sedangkan SVM memperoleh accuracy 81,20%, precision 78,02%, recall 78,74%, dan F1-score 78,88%.Peningkatan akurasi sebesar 10,69% menunjukkan bahwa kemampuan representasi kontekstual pada IndoBERT lebih efektif dalam memahami karakteristik bahasa Indonesia yang digunakan pada media sosial dibandingkan pendekatan berbasis TF-IDF pada SVM.Meskipun demikian, SVM masih memiliki keunggulan pada aspek efisiensi komputasi dan waktu pelatihan sehingga tetap menjadi alternatif yang baik untuk implementasi dengan sumber daya terbatas.Hasil penelitian ini menunjukkan bahwa IndoBERT lebih direkomendasikan untuk pengembangan sistem analisis sentimen layanan publik yang membutuhkan tingkat akurasi tinggi.

Future Research

Penelitian lanjutan dapat memanfaatkan dataset yang lebih besar dan beragam untuk meningkatkan generalisasi model. Selain itu, teknik penyeimbangan kelas dapat diterapkan untuk mengatasi ketidakseimbangan data pada dataset media sosial. Peneliti juga dapat membandingkan IndoBERT dengan model Transformer terbaru seperti RoBERTa atau ModernBERT untuk mengevaluasi perbedaan performa dalam konteks bahasa Indonesia. Dengan menggabungkan keunggulan kedua model, penelitian bisa mengembangkan pendekatan hybrid yang mengoptimalkan akurasi dan efisiensi komputasi. Penggunaan dataset lokal dengan variasi regional juga bisa menjadi arah penelitian untuk memahami perbedaan pola bahasa di seluruh Indonesia. Selain itu, penerapan metode fine-tuning yang lebih canggih dapat meningkatkan kemampuan model dalam memahami konteks informal dan ironi pada media sosial. Penelitian juga bisa fokus pada integrasi sistem analisis sentimen dengan platform pemerintah untuk mempercepat evaluasi layanan publik secara real-time. Pengembangan model berbasis multimodal yang menggabungkan teks, gambar, dan video dari media sosial juga menjadi potensi penelitian menarik. Selain itu, studi tentang dampak negatif dari penggunaan model berbasis deep learning, seperti kebutuhan sumber daya komputasi tinggi, dapat dilakukan untuk menemukan solusi yang lebih efisien. Penelitian lanjutan juga bisa mengeksplorasi penggunaan teknologi seperti edge computing untuk meningkatkan kecepatan proses analisis tanpa mengorbankan akurasi.

References

1. Comparison of IndoBERT and SVM Performance in Sentiment Analysis of Digital Education Platforms | Sinkron... doi.org/10.33395/sinkron.v10i1.15472Comparison of IndoBERT and SVM Performance in Sentiment Analysis of Digital Education Platforms Sinkron doi 10 33395 sinkron v10i1 15472
2. Komparasi SVM dan IndoBERT dalam Klasifikasi Sentimen Program Makanan Bergizi Gratis | JTERA (Jurnal... doi.org/10.31544/jtera.v10.i2.2025.105-112Komparasi SVM dan IndoBERT dalam Klasifikasi Sentimen Program Makanan Bergizi Gratis JTERA Jurnal doi 10 31544 jtera v10 i2 2025 105 112

Metadata

File size	549.93 KB
Pages	8
DMCA	Report