PERBANDINGAN PERFORMA TRANSFORMER-BASED LANGUAGE MODEL UNTUK SENTIMENT ANALYSIS TOPIK VIDEO GAME PADA TWITTER (X)

Wiranata, Mohammad Calvin (2025) PERBANDINGAN PERFORMA TRANSFORMER-BASED LANGUAGE MODEL UNTUK SENTIMENT ANALYSIS TOPIK VIDEO GAME PADA TWITTER (X). S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (2MB)
	Text (BAB I) BAB I.pdf Download (188kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (771kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (988kB)
	Text (BAB V) BAB V.pdf Download (91kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (716kB)
	Archive (SOURCE CODE) Sourcecode - 21.83.0667.zip Restricted to Repository staff only Download (6MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (874kB)

Abstract

Dalam era digital, media sosial seperti Twitter sering digunakan untuk menyampaikan opini publik yang kaya akan informasi sentimen. Namun, analisis sentimen dari data Twitter menghadapi tantangan terkait volume data yang besar, keberagaman gaya bahasa, serta ketidakseimbangan kelas sentimen. Penelitian ini bertujuan untuk menguji dan membandingkan performa lima model berbasis deep learning, yaitu BERT, DistilBERT, RoBERTa, ALBERT, dan XLNet, dalam analisis sentimen data Twitter. Metode yang digunakan melibatkan pengumpulan data Twitter melalui scraping menggunakan tool Tweet Harvest. Data kemudian melalui beberapa tahapan seperti pembersihan, labeling dengan VADER, serta splitting ke dalam format Hugging Face. Model dilatih menggunakan algoritma transformer dengan parameter yang seragam untuk memastikan validitas perbandingan. Evaluasi dilakukan berdasarkan metrik akurasi, precision, recall, F1-score, serta area under ROC curve (ROC AUC). Hasil evaluasi juga dianalisis melalui confusion matrix. Hasil penelitian menunjukkan bahwa model ALBERT memiliki performa terbaik dengan akurasi sebesar 90.59% dan nilai ROC AUC lebih tinggi di antara model lainnya. Hasil ini menunjukkan bahwa model lightweight seperti ALBERT mampu mengungguli model lain meskipun menggunakan arsitektur yang lebih sederhana. Penelitian ini memberikan kontribusi dalam memilih model optimal untuk analisis sentimen Twitter, yang dapat dimanfaatkan oleh peneliti di bidang NLP, perusahaan analitik data, dan pengembang aplikasi. Penelitian lanjutan dapat mengeksplorasi performa model dengan data dari berbagai domain atau menambahkan teknik augmentasi data untuk mengatasi ketidakseimbangan kelas.

Actions (login required)

View Item