Explainable Sentiment Analysis pada Tweet di X: Perbandingan antara Pendekatan Transformer dan Machine Learning Klasik
Tahun 2026 · Penulis: Nur'aeni, Sofia
Faculty of Mathematics and Natural Sciences, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/10636
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Explainable Sentiment Analysis pada Tweet di X: Perbandingan antara Pendekatan Transformer dan Machine Learning Klasik
Analisis sensimen dalam ceramah politik di media sosial sangat penting untuk memahami tren dalam opini publik. Namun, dalam konteks Indonesia, penelitian komparatif antara model klasik yang termasuk analisis penjelasan dan model berbasis transformator masih terbatas. Penelitian ini membandingkan kinerja dan keputusan membuat pola di SVM & TF-IDF dan IndoBERTweet dalam klasifikasi sentimen biner, menggunakan tweet tentang Menteri Keuangan Indonesia, Purbaya Yudhi Sadewa. Menggunakan 3.520 tweets di Indonesia yang dikumpulkan dari Agustus sampai Oktober 2025, strategi ganda praprosesing diterapkan, normalisasi agresif dengan label negatif untuk SVM dan intervensi minimal untuk IndoBERTweet. Untuk mengatasi rasio ketidakseimbangan kelas 4,28:1, model dilatih menggunakan perpecahan temporal dengan kelas berat. IndoBERTweet secara signifikan outcomated SVM dalam semua metrik, menunjukkan peningkatan yang sangat signifikan dalam deteksi kelas F1-Macro dan minoritas. Ini dikonfirmasi dengan ukuran efek signifikan melalui tes McNemar (p= 0.0021). Keuntungan ini berfokus pada mendeteksi sentimen negatif, meskipun klasifikasi kelas minoritas tetap menjadi tantangan dalam kondisi ketidakseimbangan temporal ekstrim. Analisis yang dapat dijelaskan berdasarkan SHAP memperlihatkan perbedaan yang signifikan antara model-model tersebut tanpa adanya tumpang tindih di antara fitur-fitur mereka. Sementara SVM bergantung pada kata kunci domain spesifik yang mencerminkan entitas beton dan kebijakan, IndoBERTweet menggunakan kata kerja evaluatif dan konstruksi modal yang mencerminkan konteks situasional dan pola ceramah. Isu estimasi kesehatan mengidentifikasi Pemerintahan dan Kepemimpinan, Peraturan dan Hukum, serta Kebijakan Ekonomi dan Fiskal sebagai persoalan yang paling penting. Ini sejalan dengan ceramah yang dikembangkan pada ceramah Oktober 2025 yang didominasi oleh implementasi Coretax dan penolakan menggunakan anggaran negara untuk melunasi utang kereta api kecepatan tinggi Whoos.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,717
Tahun 2026 · Penulis: Shafa Kamila
Analisis Sentimen Berbasis Aspek terhadap Pilkada Jember 2024 Menggunakan Model IndoBERT dan Algoritma LDA
Dinamika politik yang mengarah ke Eleksi Jember Regional 2024 memicu lonjakan signifikan opini publik di YouTube dan platform TikTok. Bahasa media sosial yang tidak resmi, termasuk bahasa slang, singkatan, dan dialek campuran, menghadirkan tantangan analisis m
- Cosine 0,715
Tahun 2026 · Penulis: Ubaid Farid Handoko
Ekstraksi Opini Negatif dan Klasifikasi Sentimen Pengguna Menggunakan Latent Dirichlet Allocation dan Support Vector Machine pada Program Danantara di Media Sosial X
Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap Program Danantara di media sosial X dengan menggabungkan Latent Dirichlet Alokasi (LDA) untuk ekstraksi topik dan Dukungan Mesin Vektor (SVM) untuk klasifikasi sentimen. Dataset terdiri dari
- Cosine 0,711
Tahun 2025 · Penulis: Hamdan Adnandar Wishol
Analisis Sentimen Masyarakat Terhadap Fenomena #Kaburajadulu Menggunakan Metode Random Forest
Media sosial saat ini menjadi sarana penting bagi masyarakat dalam menyampaikan opini, termasuk mengkritisi kondisi sosial, ekonomi, dan politik di Indonesia. Salah satu fenomena yang ramai diperbincangkan di platform X (sebelumnya dikenal sebagai Twitter) ada