ANALISIS SENTIMEN TERHADAP KERETA CEPAT WHOOSH MELALUI KOMENTAR TIKTOK MENGGUNAKAN INDOBERT

Pratama, M. Taufik (2026) ANALISIS SENTIMEN TERHADAP KERETA CEPAT WHOOSH MELALUI KOMENTAR TIKTOK MENGGUNAKAN INDOBERT. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (850kB)
	Text (BAB I) BAB I.pdf - Published Version Download (333kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (834kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (273kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (766kB)
	Text (BAB V) BAB V.pdf - Published Version Download (75kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (128kB)
	Archive (SOURCE CODE) Sourcecode -22.11.5169.zip - Published Version Restricted to Repository staff only Download (938kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (559kB)

Abstract

Pesatnya perkembangan media sosial TikTok telah menjadikannya platform krusial bagi masyarakat untuk menyampaikan opini secara real-time terhadap berbagai isu, termasuk operasional kereta cepat Whoosh. Namun, tingginya intensitas komentar yang bersifat informal dan ambigu menimbulkan tantangan dalam memahami kecenderungan opini publik secara sistematis. Dampak dari masalah ini adalah sulitnya pihak pengelola maupun pemerintah dalam memetakan persepsi publik yang sebenarnya guna melakukan evaluasi layanan. Penelitian ini bertujuan untuk menganalisis sentimen komentar pengguna TikTok mengenai Whoosh menggunakan model IndoBERT dengan pendekatan fine-tuning. Data sebanyak 1.337 komentar dikumpulkan menggunakan TikTok Comments Scraper dan melalui tahap preprocessing yang meliputi pembersihan teks, penghapusan emoji, serta pelabelan manual ke dalam kategori positif, negatif, dan netral. Model IndoBERT kemudian dibandingkan kinerjanya dengan tiga metode lain, yaitu Lexicon-Based Sentiment Analysis, Support Vector Machine (SVM), dan Bidirectional Long Short-Term Memory (BiLSTM). Hasil penelitian menunjukkan dominasi sentimen negatif yang ekstrem sebesar 87,3%, yang terutama dipicu oleh keluhan mengenai harga tiket yang dianggap tidak terjangkau. Secara teknis, evaluasi menggunakan metrik F1 Macro mengungkapkan bahwa BiLSTM mencapai performa tertinggi (0,4277), diikuti oleh SVM (0,4096), dan IndoBERT (0,3395). Hal ini membuktikan bahwa pada dataset kecil dan tidak seimbang, model dengan kompleksitas lebih rendah mampu mengungguli model Transformer. Hasil penelitian ini dapat dimanfaatkan oleh manajemen PT KCIC sebagai bahan evaluasi kebijakan harga dan layanan.

Actions (login required)

View Item