<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 MULTI-ASPEK PADA TWITTER&#13;
TENTANG TIMNAS INDONESIA ERA PATRICK KLUIVERT&#13;
DENGAN ENSEMBLE LOGISTIC REGRESSION DAN&#13;
INDOBERT</mods:title></mods:titleInfo><mods:name type="personal"><mods:namePart type="given">Rio</mods:namePart><mods:namePart type="family">Ananda</mods:namePart><mods:role><mods:roleTerm type="text">author</mods:roleTerm></mods:role></mods:name><mods:abstract>Perkembangan media sosial memungkinkan masyarakat menyampaikan&#13;
opini secara terbuka terhadap berbagai isu, termasuk mengenai Tim Nasional&#13;
Indonesia. Cuitan yang muncul di platform Twitter sering kali memuat beragam&#13;
aspek sekaligus, seperti strategi pelatih, performa pemain, hasil pertandingan, dan&#13;
opini umum. Oleh karena itu, analisis sentimen multi-aspek diperlukan untuk&#13;
memahami sentimen publik secara lebih mendalam. Penelitian ini bertujuan untuk&#13;
menerapkan metode ensemble weighted soft-voting dengan menggabungkan model&#13;
Logistic Regression dan IndoBERT dalam tugas deteksi aspek multi-label dan&#13;
klasifikasi sentimen per aspek terhadap cuitan Twitter berbahasa Indonesia&#13;
mengenai Timnas Indonesia pada era kepelatihan Patrick Kluivert. Proses&#13;
penelitian meliputi pengumpulan data cuitan, praproses teks, pemodelan&#13;
menggunakan Logistic Regression berbasis TF-IDF dan IndoBERT, serta evaluasi&#13;
kinerja model. Pada masing-masing model dilakukan hyperparameter tuning dan&#13;
threshold tuning untuk memperoleh konfigurasi terbaik. Selanjutnya, kedua model&#13;
digabungkan menggunakan metode ensemble weighted soft-voting dengan&#13;
pencarian bobot dan ambang keputusan optimal pada setiap aspek. Evaluasi&#13;
dilakukan menggunakan metrik Macro-F1, Micro-F1, dan Area Under the Curve&#13;
(AUC). Hasil penelitian menunjukkan bahwa pendekatan ensemble mampu&#13;
meningkatkan performa dibandingkan model tunggal. Pada tugas deteksi aspek,&#13;
model ensemble menghasilkan nilai Macro-F1 keseluruhan yang lebih baik&#13;
dibandingkan Logistic Regression maupun IndoBERT. Pada tugas klasifikasi&#13;
sentimen per aspek, pendekatan ensemble juga menunjukkan kinerja yang lebih&#13;
stabil dengan performa tertinggi pada aspek hasil pertandingan. Secara keseluruhan,&#13;
kombinasi kedua model memberikan kontribusi dalam meningkatkan stabilitas dan&#13;
akurasi prediksi pada analisis sentimen multi-aspek.</mods:abstract><mods:classification authority="lcc">000 Ilmu komputer, informasi dan pekerjaan umum</mods:classification><mods:originInfo><mods:dateIssued encoding="iso8061">2026-04-21</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>