@mastersthesis{universitasamikomyogyakarta31805,
          school = {Universitas AMIKOM Yogyakarta},
           month = {December},
          author = {M. Alfa Rizy},
            year = {2025},
           title = {KOMPARASI PERFORMA LSTM, GRU, DAN BERT DALAM ANALISIS
SENTIMEN KOLOM KOMENTAR VIDEO YOUTUBE TENTANG
DANANTARA INDONESIA},
        keywords = {Analisis Sentimen, Deep Learning, LSTM, GRU, BERT, Sentiment Analysis.},
             url = {https://eprints.amikom.ac.id/id/eprint/31805/},
        abstract = {Opini publik mengenai sovereign wealth fund (SWF) Danantara Indonesia
yang diekspresikan di media sosial YouTube memerlukan metode analisis sentimen
yang efektif untuk memahami persepsi masyarakat. Penelitian ini mengevaluasi
secara komparatif performa model deep learning LSTM, GRU, dan BERT pada
dataset 31.675 komentar YouTube berbahasa Indonesia yang memiliki
ketidakseimbangan kelas (class imbalance) ekstrem dengan dominasi sentimen
negatif. Metodologi penelitian mencakup komparasi model dasar, implementasi
mekanisme bidirectional, serta upaya optimasi menggunakan pre-trained
embedding FastText dan fungsi Focal Loss. Hasil penelitian menunjukkan bahwa
model RNN dasar (unidireksional) memiliki performa tidak memadai (akurasi
{\texttt{\char126}}53\%). Implementasi mekanisme bidirectional terbukti krusial, meningkatkan
akurasi secara signifikan ke kisaran 72\%. Optimasi lanjutan menunjukkan bahwa
penggunaan embedding FastText pada arsitektur Bidirectional GRU berhasil
mencapai performa RNN puncak sebesar 77,10\%. Namun, penerapan Focal Loss
terbukti kurang efektif dalam menangani ketidakseimbangan data pada dataset ini.
Di sisi lain, arsitektur berbasis Transformer (BERT) menunjukkan superioritas
absolut dengan akurasi tertinggi mencapai 89,66\%, meskipun terindikasi
mengalami instabilitas grafik loss dan membutuhkan biaya komputasi yang jauh
lebih tinggi. Kesimpulannya, BERT adalah model paling akurat secara absolut,
namun Bidirectional GRU yang dioptimalkan dengan FastText menawarkan
keseimbangan (trade-off) terbaik antara akurasi tinggi dan efisiensi komputasi
untuk implementasi praktis.}
}