KOMPARASI PERFORMA LSTM, GRU, DAN BERT DALAM ANALISIS SENTIMEN KOLOM KOMENTAR VIDEO YOUTUBE TENTANG DANANTARA INDONESIAM. AlfaRizyauthorOpini 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 ~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.000 Ilmu komputer, informasi dan pekerjaan umum004 Pemrosesan data dan ilmu komputer2025-12-08Universitas AMIKOM Yogyakarta;PJJ Magister InformatikaThesis