Terbit online pada laman web jurnal: https://jurnal.
id/index.
php/tematik/index Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
173 - 178
ISSN Media Elektronik: 2443-3640 Analisis Sentimen Terhadap Ulasan Aplikasi TikTok Menggunakan Fine Tuning IndoBERT Sentiment Analysis of TikTok App Reviews Using IndoBERT Fine Tuning Adriansyah Pramana1.
Asep Id Hadiana2 .
Gunawan Abdillah3 1,2,3Jurusan Informatika.
Fakultas Sains dan Informatika.
Universitas Jenderal Achmad Yani 1Adriansyah21@unjani.
id, 2asep.
hadiana@lecture.
id, 3gna@if.
Abstract The TikTok application is one of the most popular social media platforms in Indonesia with millions of user reviews on Google Play Store.
This study aims to analyze sentiment towards TikTok reviews using a deep learning approach with IndoBERT customization and focuses on the application of oversampling techniques to overcome data imbalance, with the main objective of improving model performance, especially in recognizing neutral sentiment.
This study uses a dataset of 100,002 reviews taken from Kaggle and automatically labeled based on positive, neutral, and negative ratings.
The pre-processing stage includes cleaning, case folding, normalization, and tokenization using the IndoBERT tokenizer.
The IndoBERT model is then adjusted using 80% training data and 20% test data, with oversampling techniques to balance the classes.
Evaluation is performed using accuracy, precision, recall.
F1-score, and confusion matrix metrics.
The results show that IndoBERT is capable of achieving 89.
75% accuracy with high performance in the positive class F1-score 0.
87, negative F1-score 0.
89, and neutral F1-score 0.
The balanced high performance across all classes, especially the neutral class, shows that the oversampling strategy successfully enabled the model to recognize all sentiments effectively.
These findings also show that the fine-tuned IndoBERT model is an effective model for analyzing public sentiment in Indonesian-language app reviews.
Keywords: Sentiment Analysis.
IndoBERT.
TikTok.
User Reviews.
Fine-Tuning Abstrak Aplikasi TikTok merupakan salah satu platform media sosial paling populer di Indonesia dengan jutaan ulasan pengguna di Google Play Store.
Penelitian ini bertujuan untuk menganalisis sentimen terhadap ulasan TikTok menggunakan pendekatan deep learning dengan fine-tuning IndoBERT dan berfokus pada penerapan teknik oversampling untuk menangani ketidakseimbangan data, dengan tujuan utama meningkatkan performa model, terutama dalam mengenali sentimen netral.
Penelitian ini menggunakan dataset sebanyak 100.
002 ulasan yang diambil dari kaggle dan dilabeli secara otomatis berdasarkan rating positif, netral dan negatif.
Tahapan pra-processing mencakup cleaning, case folding, normalisasi, tokenisasi menggunakan tokenizer IndoBERT.
Model IndoBERT kemudian di fine-tune menggunakan data latih sebanyak 80% dan 20% data uji, dengan teknik oversampling untuk menyeimbangkan kelas.
Evaluasi dilaksanakan dengan memakai metrik akurasi, presisi, recall.
F1-score, dan confusion matrix.
Hasil penelitian menunjukkan bahwa IndoBERT mampu mencapai akurasi 89,75% dengan performa tinggi pada kelas positif F1-score 0,87, negatif F1-score 0,89, dan netral F1-score 0,93.
Performa tinggi yang seimbang di semua kelas ini terutama kelas netral menunjukkan bahwa strategi oversampling berhasil memungkinkan model untuk mengenali semua sentimen secara efektif.
Temuan ini juga menunjukkan bahwa model IndoBERT yang di fine-tune adalah model yang efektif untuk menganalisis sentimen publik pada ulasan aplikasi berbahasa Indonesia.
Kata kunci: Analisis Sentimen.
IndoBERT.
TikTok.
User Reviews.
Fine-Tuning Pendahuluan Aplikasi TikTok telah mengalami peningkatan jumlah pengguna yang signifikan, menjadikannya sebagai sebuah platform media sosial paling populer secara global termasuk di Indonesia.
Fenomena tersebut menghasilkan sejumlah besar ulasan pengguna di Google Play Store yang merepresentasikan berbagai pendapat, keluhan, maupun apresiasi pengguna terhadap fitur dan layanan aplikasi tersebut.
Namun, besarnya ulasan ini menyebabkan tantangan dalam melakukan analisis manual yang membutuhkan waktu lama dan tenaga kerja yang besar sehingga kurang efektif dan efisien dalam pemanfaatannya.
Terlebih lagi, ulasan pengguna TikTok cenderung bersifat informal, pendek, dan menggunakan campuran bahasa yang rumit, sehingga sulit untuk secara otomatis memahami maksud dari pengguna.
Tantangan lainnya adalah ketidakseimbangan jumlah data antar kelas sentimen, dimana ulasan positif dan negatif lebih Diterima Redaksi: 02-10-2025 | Selesai Revisi: 18-11-2025 | Diterbitkan Online: 19-12-2025 Adriansyah Pramana.
Asep Id Hadiana.
Gunawan Abdillah Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
banyak dibanding ulasan netral yang dapat menyebabkan kecenderungan dalam proses klasifikasi dan mengurangi keakuratan hasil analisis.
Analisis sentimen menjadi solusi yang relevan untuk mengatasi tantangan tersebut.
Pendekatan ini mengelompokkan opini pengguna berdasarkan sentimen positif, negatif dan netral.
Hal ini kecenderungan emosional dari setiap ulasan secara otomatis tanpa perlu penilaian manual.
Penelitian terdahulu menunjukkan bahwa model berbasis IndoBERT menawarkan performa yang lebih unggul dalam menangani data ulasan berbahasa Indonesia yang informal.
Sebagai contoh, penelitian terdahulu yang dilakukan oleh Setiawan dkk.
menemukan bahwa IndoBERTweet memiliki akurasi 80% lebih baik daripada LSTM yang memiliki akurasi 78% pada ulasan TikTok.
Kemudian penelitian yang dilakukan Al Farizi .
membuktikan bahwa kombinasi BiLSTM dengan IndoBERT memiliki akurasi 92,03% secara signifikan mengungguli BiLSTM dengan akurasi 75,64%.
Karena kemampuannya yang terbukti lebih efektif dalam memahami konteks.
IndoBERT dipilih sebagai dasar untuk penelitian ini.
Meskipun terbukti unggul, penelitian-penelitian tersebut menunjukkan adanya keterbatasan yang konsisten yaitu performa yang buruk pada kelas netral.
Kelemahan ketidakseimbangan data tampak jelas di berbagai ulasan Sebagai contoh lain, penelitian Farhan dkk.
pada ulasan aplikasi Identitas Kependudukan Digital, dimana akurasi mencapai 84,69%, namun F1score kelas netral sangat rendah yaitu 0.
Oleh karena itu, penelitian ini bertujuan untuk mengisi kesenjangan tersebut dengan mengimplementasikan fine-tuning IndoBERT pada analisis sentimen ulasan pengguna aplikasi TikTok.
Penelitian ini berfokus pada penerapan teknik oversampling untuk menangani ketidakseimbangan data, dengan tujuan utama meningkatkan performa model, terutama dalam mengenali sentimen netral.
Metode Penelitian Metode penelitian ini mengacu pada kajian literatur terkait penggunaan model berbasis transformer, khususnya IndoBERT fine-tuning dalam analisis sentimen teks.
Tahapan penelitian mencakup proses pengumpulan data, pre-processing, pembangunan model, pelatihan, serta evaluasi kinerja model.
Data yang dipakai pada penelitian ini dapat melalui proses scraping ulasan pengguna aplikasi TikTok di Google Play Store.
Setelah data terkumpul, dilaksanakan proses pre-processing yang meliputi cleaning, case folding, normalisasi, tokenize, serta stopword removal untuk memastikan data siap dipakai dalam pemodelan.
Ulasan kemudian dikategorikan ke dalam tiga label sentimen yakni positif, netral serta negatif.
Pada tahap pembangunan model.
IndoBERT digunakan untuk melakukan fine-tuning dan mengektrak fitur teks dengan representasi kontekstual yang kaya.
Model akan dilatih menggunakan dataset yang telah diberi label dengan skema pembagian data 80% untuk pelatihan serta 20% untuk pengujian.
Evaluasi kinerja model dilaksanakan dengan mengukur metrik akurasi, presisi, recall, serta F1-score agar dapat mengetahui sebaik apa model dalam melakukan pengklasifikasian sentimen ulasan pengguna aplikasi TikTok.
Tahapan penelitian ditunjukkan dalam Gambar 1.
Gambar 1.
Tahapan Penelitian Langkah pengumpulan data, yakni menggunakan dataset ulasan aplikasi TikTok yang tersedia pada platform Kaggle.
Dataset tersebut berisi lebih dari seratus ribu baris data.
Setelah proses pengumpulan data selesai, karena analisis sentimen menggunakan metode supervised learning dibutuhkan dataset yang telah mempunyai Penentuan label dilakukan secara otomatis berdasarkan rating bintang yang diberikan oleh Ulasan dengan rating 4-5 dikategorikan sebagai positif, ulasan dengan rating 3 merupakan sentimen netral, kemudian rating 1-2 merupakan sentimen negatif.
Kemudian setelah diberi label sentimen penelitian ini menggunakan sampel dataset sebanyak 8.
490 data.
Pemilihan sampel dilakukan untuk menyesuaikan dengan keterbatasan sumber daya komputasi, mengingat proses pelatihan model berbasis IndoBERT membutuhkan waktu dan memori yang besar.
Tahap berikutnya adalah pre-processing data, yaitu serangkaian langkah pembersihan dan normalisasi agar teks siap diolah oleh model.
Proses ini mencakup cleaning yang bertujuan untuk menghapus karakter yang tidak perlukan seperti angka, emoticon, tanda baca, dan URL.
, case folding untuk mengubah DOI: https://doi.
org/10.
38204/tematik.
Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.
Adriansyah Pramana.
Asep Id Hadiana.
Gunawan Abdillah Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
seluruh huruf pada teks menjadi huruf kecil sehingga memudahkan proses pencocokan kata dengan tokenisasi pada model IndoBERT, normalisasi untuk mengganti kata tidak baku ataupun singkatan dengan bentuk yang lebih standar.
Selanjutnya tahap Oversampling, tahap ini digunakan untuk menangani masalah ketidakseimbangan jumlah data antar kelas sentimen yang teridentifikasi pada tahap pelebelan data.
Tahap selanjutnya ada proses fine-tuning IndoBERT, proses ini dilakukan pada model IndoBERT menggunakan dataset TikTok.
Model ini disesuaikan dengan data melalui langkah tokenisasi teks menggunakan tokenizer.
Teknik ini memungkinkan model untuk menangkap pola bahasa spesifik dalam dataset dan menghasilkan sentimen yang lebih baik.
Selanjutnya tahap pelatihan dan evaluasi model.
Pada tahapan ini model dilatih dengan memakai data latih, kemudian dievaluasi dengan data uji.
Pemisahan dataset menjadi set pelatihan .
%) dan set validasi .
%) memulai proses pelatihan.
Selama pelatihan, model dioptimalkan dengan AdamW menggunakan learning rate awal sebesar 3e-6.
Kemudian model ini dilakukan untuk mengukur sampai manakah model mampu mengklasifikasikan sentimen ulasan dengan Evaluasi dilaksanakan dengan memakai metrik umum, yaitu accuracy, precision, recall.
F1-score, maupun confusion matrix untuk melihat detail distribusi prediksi antar kelas.
pengolahan data dilaksanakan dengan memakai Google Collaboratory dengan bahasa pemrograman Python, serta berbaai library pendukung seperti pandas dan numpy untuk mempermudah tahap pre-processing dan Hasil pengumpulan data yang diambil dari tahun 2024 sampai 2025 sebanyak 100000 data serta data disimpan dalam bentuk CSV supaya memberikan kemudahan dalam menggunakan cara analisis Pengumpulan data ditunjukkan dalam Gambar 2.
Gambar 2.
Hasil Pengumpulan Data Pelabelan Data Proses ini dilaksanakan secara otomatis dengan memanfaatkan informasi rating bintang pada ulasan.
Ulasan dengan rating 1-2 diberi label sentimen negatif, rating 3 sebagai sentimen netral, kemudian rating 4-5 diberi label sentimen positif.
Dari total 100.
002 dataset, 998 yang memiliki label, sebanyak 58249 ulasan masuk ke kategori positif, 33490 ulasan masuk ke kategori negatif, dan 8259 ulasan masuk ke kategori Distribusi in akan divisualisasikan pada gambar dan menunjukkan ketidaseimbangan jumlah antar kelas Gambar 3 menunjukkan pelabelan data.
Accuracy digunakan untuk mengukur persentase prediksi yang benar.
Precision digunakan untuk mengukur prediksi positif.
Nilai precision yang tinggi memberikan prediksi positif yang salah.
Recall digunakan untuk mengukur kemampuan model mendeteksi semua data positif.
Nilai recall yang tinggi memperlihatkan bahwasanya model dapat menangkap lebih banyak data positif, meskipun precision menurun.
Selanjutnya F1-Score, dipakai untuk mengevaluasi keseimbangan antara precision dan recall pada tiap kelas sentimen.
Nilai F1-Score yang tinggi memperlihatkan bahwasanya model mempunyai keseimbangan yang baik antara precision dan recall.
Terakhir ada Confusion Matrix, dipakai untuk melakukan analisis visual terhadap performa model dengan melihat distribusi prediksi benar maupun salah pada tiap kelas.
Hasil dan Pembahasan Pengumpulan Data Agar mendapatkan data, peneliti memakai dataset yang tersedia di Kaggle.
Dataset tersebut diperoleh kemudian dijadikan sebagai data penelitian utama.
Proses Gambar 3.
Hasil Pelabelan Data 3 Pre-Processing Data Pada tahapan ini dilakukan beberapa proses untuk membersihkan serta mempersiapkan data sebelum dianalisis lebih lanjut.
Berikut ini adalah penjelasan dari setiap tahapan beserta hasil yang diperoleh.
Cleaning dilakukan untuk membersihkan teks dari karakter atau format yang tidak diperlukan seperti URL atau emoji, serta mengubah teks menjadi lowercase.
Gambar 4 menunjukkan cleaning.
DOI: https://doi.
org/10.
38204/tematik.
Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.
Adriansyah Pramana.
Asep Id Hadiana.
Gunawan Abdillah Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
Gambar 4.
Hasil Cleaning Case Folding dilaksanakan untuk mengubah seluruh huruf pada teks menjadi kecil agar memudahkan proses pencocokan kata.
Case folding ditunjukkan dalam Gambar 5.
tetapi menunjukkan penurunan performa pada validation loss menjadi 0.
426, disertai sedikit kenaikan akurasi menjadi 88.
Kemudian pada epoch ketiga nilai training loss mengalami penurunan menjadi 0.
serta validation loss menurun menjadi 0.
415, sementara akurasi naik menjadi 89.
7%, yang menandakan bahwa model tetap mampu menjaga kestabilan performa.
Secara keseluruhan hasil ini menunjukkan bahwa model IndoBERT dengan teknik fine-tuning mampu melakukan klasifikasi sentimen ulasan aplikasi TikTok dengan cukup baik, mencapai akurasi akhir sebesar Gambar 7 menunjukkan hasil pelatihan model.
Gambar 7.
Pelatihan Model Gambar 5.
Hasil Case Folding Normalisasi dilaksanakan untuk menyamakan bentuk kata namun tidak mengubah maknanya.
Gambar 6 memperlihatkan normalisasi.
Gambar 6.
Hasil Normalisasi 4 Fine-Tuning Model Tahap ini diawali dengan mengimpor library dan dataset yang akan diperlukan.
Library yang digunakan adalah Transformers dari HuggingFace untuk memanfaatkan model IndoBERT, pandas untuk pengolahan data, serta Matplotlib untuk visualisasi Proses fine-tuning memanfaatkan model dari HuggingFace.
Model ini sebelumnya telah melalui tahap pretraining pada corpus besar bahasa Indonesia, sehingga di dalam penelitian ini hanya diperlukan penyesuaian terhadap dataset ulasan TikTok.
Kemudian teks ulasan ditokenisasi menggunakan BertTokenizer sehingga diperoleh representasi berupa input_ids, token_type_ids dan attention_mask yang sesuai dengan model IndoBERT.
5 Pelatihan dan Evaluasi Proses pelatihan model IndoBERT berlangsung selama tiga epoch.
Pada epoch pertama, model menghasilkan nilai Training loss sebesar 0.
788 serta Validation loss 449 dengan akurasi 84.
Pada epoch kedua, terjadi penurunan pada training loss menjadi 0.
Selanjutnya bagian evaluasi, pertama ada accuracy, berdasarkan hasil evaluasi model memperoleh accuracy keseluruhan sebesar 89.
Model mampu mengenali ulasan positif dengan precision sebesar 0.
89, kemudian recall sebesar 0.
85 serta F1-score sebesar 0.
selanjutnya ulasan negatif dengan precision sebesar 88, recall 0.
90 serta F1-score sebesar 0.
89 yang memperlihatkan performa cukup baik di dua kelas ini.
Sedangkan untuk kelas netral menunjukkan performa terbaik dengan precision sebesar 0.
92, recall 0.
94 dan F1-score sebesar 0.
Selanjutnya nilai macro average pada precision sebesar 0.
90, recall sebesar 0.
90 serta F1-score sebesar 0,90.
kemudian, nilai weighted average pada precision sebesar 0.
90, recall sebesar 0.
dan F1-score sebesar 0.
90 menunjukkan bahwa model sangat optimal, tidak bias dan mampu melakukan generalisasi dengan baik pada semua kelas sentimen.
Gambar 8 menunjukkan hasil Accuracy dan classification report.
Gambar 8.
Classification report Selanjutnya perbandingan kelas negatif, netral dan positif pada precision, recall dan F1-score sebelum di oversampling dan setelah di oversampling ada pada Tabel 1, 2 dan 3.
Table 1 Perbandingan Classification Precision Metrik/kelas Negatif Netral Positif Tanpa DOI: https://doi.
org/10.
38204/tematik.
Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.
Oversampling Adriansyah Pramana.
Asep Id Hadiana.
Gunawan Abdillah Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
Table 2 Perbandingan Classification Recall Metrik/kelas Negatif Netral Positif Tanpa Oversampling Table 3 Perbandingan Classification F1-score Negatif Netral Tanpa Positif Metrik/kelas Oversampling Pada hasil tersebut dapat dilihat penerapan Oversampling dapat membantu meningkatkan kemampuan model dalam pengklasifikasian ulasan dengan lebih baik dimana pada hasil evaluasi precision terjadi peningkatan di berbagai kelas.
Kemudian pada hasil evaluasi recall terjadi peningkatan setelah di oversampling pada kelas negatif dan netral, tetapi terjadi penurunan pada kelas positif pada saat sudah di Yang terakhir hasil evaluasi F1-score terjadi peningkatan pada kelas negatif dan netral setelah dilakukan oversampling, tetapi tidak terjadi perubahan pada kelas positif setelah di oversampling.
Selanjutnya tahap Confusion Matrix, tahapan ini memperlihatkan bahwasanya model IndoBERT mampu mengenali ulasan Negatif dengan baik yaitu dari total 532 data ulasan negatif, model berhasil memprediksi 478 ulasan dengan benar.
Model ini melakukan sedikit kesalahan dengan memprediksi 18 ulasan sebagai netral dan 36 sebagai positif.
Kemudian ulasan netral menunjukkan performa terbaik, dari total 568 data ulasan netral model berhasil memprediksi 535 ulasan dengan benar.
Sedangkan untuk kelas positif, dari total 598 data model berhasil memprediksi 511 ulasan dengan benar.
Gambar 9 menunjukkan confusion Kesimpulan Penelitian ini sukses membuktikan bahwa model IndoBERT yang di fine-tune dengan teknik oversampling sangat efektif untuk klasifikasi sentimen ulasan aplikasi TikTok.
Model ini berhasil mencapai akurasi keseluruhan 89,75% dan menunjukkan performa yang kuat dan seimbang di semua kelas positif dengan F1-score 0.
87, kemudian kelas negatif dengan F1-score 0.
89 dan kelas netral dengan F1-score 0.
ketidakseimbangan data.
Pendekatan ini secara signifikan meningkatkan kelas Netral, yang mana mengisi celah penelitian sebelumnya dimana kelas Netral sering gagal terdeteksi atau memiliki F1-score yang sangat rendah.
Oleh karena itu, bagi pengembang selanjutnya disarankan untuk membandingkan penyeimbang data yang lebih canggih seperti SMOTE (Synthetic Minority Over-sampling Techniqu.
Daftar Rujukan .
Gambar 9.
Confusion Matrix Fide.
AuANALISIS SENTIMEN ULASAN APLIKASI
TIKTOK DI GOOGLE PLAY MENGGUNAKAN
METODE SUPPORT VECTOR MACHINE (SVM) DAN
ASOSIASI,Ay vol.
10, no.
3, pp.
346Ae358, 2021, [Onlin.
Available:
https://ejournal3.
id/index.
php/gaussian/ Al Farizi and Y.
Sibaroni.
AuImplementation of BiLSTM and IndoBERT for Sentiment Analysis of TikTok Reviews,Ay JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatik.
, vol.
10, no.
1, pp.
96Ae106.
Jan.
2025, doi: 10.
29100/jipi.
Setiawan.
Lhaksmana, and B.
Bunyamin.
AuSentiment Analysis of Indonesian TikTok Review Using LSTM and IndoBERTweet Algorithm,Ay JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatik.
, vol.
774Ae780.
Aug.
29100/jipi.
Alfiah Zulqornain and P.
Pandu Adikara.
AuAnalisis Sentimen Tanggapan Masyarakat Aplikasi Tiktok Menggunakan Metode Nayve Bayes dan Categorial Propotional Difference (CPD),Ay 2021.
[Onlin.
Available:
http://j-ptiik.
Alfarobby and H.
Irawan.
AuAnalisis Sentimen Kepuasan Konsumen Pengguna Transportasi Online Pada Ulasan Google Playstore Menggunakan Indobert Dan Topic Modeling (Studi kasus: Gojek dan Gra.
,Ay 2024.
Tumanggor.
Victor, and P.
Samosir.
AuSentiment Analysis in E-Commerce: Beauty Product Reviews,Ay Ultimatics : Jurnal Teknik Informatika, vol.
16, no.
2, 2024.
Farhan and A.
Rahman.
AuANALISIS SENTIMEN
ULASAN APLIKASI IDENTITAS KEPENDUDUKAN
DIGITAL DI GOOGLE PLAY STORE DENGAN BERT,Ay Nuryadi et al.
AuFINE TUNING INDOBERT UNTUK ANALISIS SENTIMEN PADA ULASAN PENGGUNA APLIKASI TIKET.
COM DI GOOGLE PLAY STORE,Ay Wirayudha.
Murniyati, and R.
Rosdiana.
AuAnalisis Sentimen Terhadap Ulasan Access By KAI Pada Google Play Store Menggunakan Metode Indobert,Ay Portal Riset dan Inovasi Sistem Perangkat Lunak, vol.
3, no.
1, pp.
9Ae 20.
Jan.
2025, doi: 10.
59696/prinsip.
Putri and Ardiansyah.
AuAnalisis Sentimen Terhadap Kemajuan Kecerdasan Buatan di Indonesia DOI: https://doi.
org/10.
38204/tematik.
Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.
Adriansyah Pramana.
Asep Id Hadiana.
Gunawan Abdillah Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
Menggunakan BERT dan RoBERTa,Ay Jurnal Sains dan Informatika, vol.
9, no.
2, pp.
136Ae145.
Nov.
2023, doi:
34128/jsi.
Dwi Indriyanti and P.
Fadhilah.
AuAnalisis Sentimen terhadap Opini Publik Mengenai Childfree dalam Pernikahan pada Twitter Menggunakan K-Nearest Neighbor (K-NN),Ay Journal of Informatics and Computer Science, vol.
05, 2023.
Kamil.
Pratiwi, and D.
Witarsyah.
AuAnalisis Sentimen dan Pemodelan Topik terhadap Aplikasi Pembelajaran Online pada Platform Google Play,Ay JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatik.
, 10, no.
2, pp.
836Ae849.
Mar.
2025, doi:
29100/jipi.
Prana.
Sukma, and M.
Pribadi.
AuAnalisis Sentimen Review Pengguna Viu pada Play Store dengan Algoritma Random Forest,Ay vol.
2, no.
KUNAEFI AANG.
AuKLASIFIKASI BERITA HOAKS
BAHASA INDONESIA MENGGUNAKAN INDOBERT
FINE-TUNING,Ay 2025.
Manoppo et al.
AuANALISIS SENTIMEN PUBLIK
DI MEDIA SOSIAL TERHADAP KENAIKAN PPN 12%
DI INDONESIA MENGGUNAKAN INDOBERT,Ay Jurnal Kecerdasan Buatan dan Teknologi Informasi, vol.
4, no.
152Ae163.
May 2025, doi: 10.
69916/jkbti.
Haris.
Suharso, and E.
Haodudin Nurkifli.
AuANALISIS SENTIMEN PADA GAME EFOOTBALL DI GOOGLE
PLAY
STORE
MENGGUNAKAN
ALGORITMA INDOBERT,Ay 2024.
Romadhona and A.
Isnain.
AuANALISIS SENTIMEN
PENGGUNA
MEDIA
SOSIAL
TERHADAP
KEBIJAKAN
KENAIKAN
PAJAK
HIBURAN
MENGGUNAKAN
METODE
SVM
(SUPPORT
VECTOR MACHINE),Ay JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatik.
, vol.
9, no.
4, pp.
2185Ae 2195.
Nov.
2024, doi: 10.
29100/jipi.
DOI: https://doi.
org/10.
38204/tematik.
Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.