<mods:mods version="3.3" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd" xmlns:mods="http://www.loc.gov/mods/v3" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"><mods:titleInfo><mods:title>ANALISIS SENTIMEN PADA PLATFROM TWITTER&#13;
TERHADAP KETERLIBATAN INEOS SEBAGAI PEMILIK&#13;
BARU MANCHESTER UNITED MENGGUNAKAN MODEL&#13;
ROBERTA DAN VADER</mods:title></mods:titleInfo><mods:name type="personal"><mods:namePart type="given">Farhan</mods:namePart><mods:namePart type="family">Fathurroziq</mods:namePart><mods:role><mods:roleTerm type="text">author</mods:roleTerm></mods:role></mods:name><mods:abstract>Keterlibatan INEOS dalam kepemilikan Manchester United menjadi topik &#13;
yang banyak diperbincangkan oleh publik, khususnya di media sosial seperti&#13;
Twitter. Dinamika opini publik yang muncul menimbulkan kebutuhan untuk&#13;
menganalisis sentimen penggemar terhadap perubahan tersebut. Permasalahan&#13;
yang diangkat dalam penelitian ini adalah bagaimana sentimen terhadap&#13;
keterlibatan INEOS sebagai pemilik baru Manchester United berdasarkan data yang&#13;
diungkap melalui platfrom Twitter, serta bagaimana model-model Natural&#13;
Language Processing (NLP) dapat digunakan untuk mengevaluasi sentimen&#13;
tersebut secara akurat.&#13;
Penelitian ini menggunakan pendekatan NLP dengan dua model utama.&#13;
RoBERTa, sebagai model berbasis pembelajaran mesin, dan VADER, sebagai&#13;
model berbasis leksikon. Data diambil melalui proses crawling menggunakan&#13;
Tweet-Harvest dan dilakukan preprocessing, splitting, serta balancing. RoBERTa&#13;
dilakukan fine-tuning terhadap data latih berlabel, sedangkan VADER&#13;
dioptimalkan melalui penyesuaian threshold. Hasil prediksi keduanya kemudian&#13;
dikombinasikan ke dalam model meta-classifier berbasis Logistic Regression untuk&#13;
meningkatkan akurasi klasifikasi.&#13;
Hasil evaluasi menunjukkan bahwa model gabungan RoBERTa dan&#13;
VADER memiliki performa terbaik dengan akurasi 71% dan F1-score 71%,&#13;
mengungguli performa masing-masing model secara terpisah. Model gabungan&#13;
juga menunjukkan kemampuan yang lebih seimbang dalam mengklasifikasikan&#13;
sentimen positif, netral, dan negatif. Penelitian ini berkontribusi dalam&#13;
pengembangan metode hybrid untuk analisis sentimen berbasis media sosial, dan&#13;
dapat dimanfaatkan oleh praktisi komunikasi, analis media, maupun stakeholder&#13;
klub untuk memahami persepsi publik secara lebih mendalam. Rekomendasi&#13;
selanjutnya adalah penggunaan dataset multimodal dan eksplorasi teknik ensemble&#13;
lanjutan.</mods:abstract><mods:classification authority="lcc">000 Ilmu komputer, informasi dan pekerjaan umum</mods:classification><mods:originInfo><mods:dateIssued encoding="iso8061">2025-08-20</mods:dateIssued></mods:originInfo><mods:originInfo><mods:publisher>Universitas AMIKOM Yogyakarta;Fakultas Ilmu Komputer</mods:publisher></mods:originInfo><mods:genre>Thesis</mods:genre></mods:mods>