BULLETIN OF COMPUTER SCIENCE RESEARCH
ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1067-1075 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Analisis Sentimen Publik terhadap AoSave Raja AmpatAo di Media Sosial Menggunakan Model IndoBERT Dimas Eko Putro.
Doris Juarsa.
BP Putra Hermana.
Bagastian Bagastian.
Heni Sulistiani* Magister Ilmu Komputer.
Fakultas Teknik dan Ilmu Komputer.
Universitas Teknokrat Indonesia.
Bandar Lampung.
Indonesia Email: 1dimas_eko_putro@teknokrat.
id, 2doris_juarsa@teknokrat.
id, 3bp_putra_hermana@teknokrat.
4bagastian@teknokrat.
id, 5,*heni_sulistiani @teknokrat.
Email Penulis Korespondensi: heni_sulistiani @teknokrat.
AbstrakOeKampanye AuSave Raja AmpatAy menjadi isu lingkungan yang banyak menarik perhatian publik di media sosial, khususnya TikTok dan Youtube.
Video-video bertagar #SaveRajaAmpat menghadirkan beragam respons dari masyarakat, mulai dari dukungan penuh hingga kritik terhadap tindakan eksploitasi sumber daya alam.
Fenomena ini mencerminkan pentingnya memahami sentimen publik sebagai indikator keberhasilan kampanye konservasi.
Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap kampanye tersebut dengan menggunakan pendekatan pemodelan bahasa berbasis kecerdasan buatan, yakni IndoBERT.
Data diperoleh dari komentar-komentar pengguna TikTok pada video-video yang mengusung kampanye AuSave Raja AmpatAy, dengan jumlah data yang digunakan sebanyak 10.
000 komentar.
Proses analisis dilakukan melalui beberapa tahap, yaitu pra-pemrosesan data, pelabelan sentimen .
ositif, negatif, netra.
, serta pelatihan dan evaluasi model IndoBERT.
Hasil awal menunjukkan bahwa mayoritas sentimen publik terhadap kampanye bersifat positif, dengan akurasi model mencapai 71% dalam klasifikasi sentimen.
Penelitian ini memberikan kontribusi dalam pemahaman persepsi masyarakat terhadap isu lingkungan serta memperlihatkan efektivitas penggunaan model IndoBERT dalam konteks media sosial.
Kata Kunci: TikTok.
IndoBERT.
Save Raja Ampat.
Sentiment Analysis.
Social Media AbstractOeThe "Save Raja Ampat" campaign has emerged as a significant environmental issue that has garnered widespread public attention on social media platforms, particularly TikTok and YouTube.
Videos tagged with #SaveRajaAmpat have sparked various public responses, ranging from full support to criticism of natural resource exploitation.
This phenomenon highlights the importance of understanding public sentiment as an indicator of the campaign's effectiveness.
This study aims to analyze public sentiment toward the campaign using a language modeling approach based on artificial intelligence, namely IndoBERT.
The data were obtained from user comments on TikTok videos promoting the AuSave Raja AmpatAy campaign, totaling 10,000 comments.
The analysis process involved several stages, including data preprocessing, sentiment labeling .
ositive, negative, neutra.
, and the training and evaluation of the IndoBERT model.
Preliminary results indicate that the majority of public sentiment toward the campaign is positive, with the model achieving an accuracy rate of 71% in sentiment classification.
This study contributes to understanding public perception of environmental issues and demonstrates the effectiveness of using the IndoBERT model in the context of social media.
Keywords: TikTok.
IndoBERT.
Save Raja Ampat.
Sentiment Analysis.
Social Media PENDAHULUAN Raja Ampat dikenal sebagai kawasan konservasi laut dengan keanekaragaman hayati tertinggi di dunia.
Namun, dalam beberapa tahun terakhir, wilayah ini menghadapi tekanan serius akibat pertumbuhan pariwisata, eksploitasi sumber daya alam, dan lemahnya pengawasan lingkungan .
, .
Kondisi ini memicu berbagai bentuk kampanye digital, salah satunya kampanye Save Raja Ampat yang banyak tersebar melalui media sosial, khususnya TikTok dan YouTube.
Platform ini, yang memiliki basis pengguna besar dan aktif, menjadi ruang diskusi publik yang sangat dinamis, termasuk dalam isu lingkungan.
Kampanye ini memancing beragam tanggapan dari masyarakat yang terekam dalam kolom komentar, mulai dari dukungan penuh hingga kritik dan ketidakpercayaan.
Fenomena tersebut menunjukkan pentingnya analisis terhadap persepsi publik yang diekspresikan secara spontan melalui media sosial.
Untuk memahami kecenderungan opini tersebut, analisis sentimen menjadi pendekatan yang relevan .
, .
Analisis sentimen merupakan bagian dari Natural Language Processing (NLP) yang bertujuan mengklasifikasikan opini dalam teks menjadi sentimen positif, negatif, atau netral .
Model berbasis deep learning seperti BERT dan varian lokalnya.
IndoBERT, kini menjadi metode yang banyak digunakan karena mampu memahami konteks dan struktur bahasa Indonesia secara lebih akurat dibanding metode konvensional seperti Nayve Bayes atau SVM .
, .
, .
Beberapa penelitian menunjukkan performa unggul IndoBERT dalam klasifikasi sentimen pada teks berbahasa Indonesia menunjukkan bahwa IndoBERT berhasil mengklasifikasikan sentimen ulasan produk dengan akurasi yang baik.
Prasetyo dan Handayani .
juga mencatat keunggulan model ini dalam domain perhotelan.
Selain itu,.
Meskipun demikian, belum banyak studi yang menggunakan IndoBERT untuk menganalisis kampanye sosial atau lingkungan di TikTok dan Youtube, khususnya dalam konteks pelestarian alam seperti Save Raja Ampat.
Hal ini menunjukkan adanya gap penelitian yang signifikan dan menjadi celah kontribusi dalam studi ini.
Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap kampanye Save Raja Ampat di TikTok dan Youtube dengan menggunakan model IndoBERT .
, .
Data dikumpulkan dari komentar pengguna pada video yang mengusung tagar kampanye tersebut.
Penelitian ini tidak hanya memberikan gambaran objektif tentang sikap masyarakat terhadap isu konservasi, tetapi juga mengevaluasi performa IndoBERT dalam mengolah data sosial media berbasis teks informal.
Secara praktis, hasil penelitian ini diharapkan menjadi dasar bagi aktivis lingkungan, pembuat kebijakan, dan pelaku komunikasi publik dalam merancang strategi kampanye yang lebih efektif dan berbasis data.
Copyright A 2025 The Author.
Page 1067 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1067-1075 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Kontribusi dari penelitian ini meliputi dua aspek utama: pertama, dari sisi akademik, penelitian ini memperluas pemanfaatan IndoBERT pada ranah media sosial dalam konteks lingkungan .
kedua, dari sisi praktis, penelitian ini menawarkan wawasan baru tentang persepsi publik yang dapat dimanfaatkan dalam perencanaan advokasi dan komunikasi kampanye konservasi di Indonesia.
Dengan demikian, penelitian ini tidak hanya bersifat deskriptif, tetapi juga strategis dalam menjawab tantangan pelestarian lingkungan di era digital.
METODOLOGI PENELITIAN
1 Tahapan Penelitian Tahapan penelitian ini dirancang secara sistematis dan divisualisasikan melalui diagram alur pada Gambar 1, yang menggambarkan setiap langkah yang ditempuh selama proses penelitian berlangsung.
Gambar.
Tahapan Penelitian Gambar 1, tahapan penelitian dalam studi ini disusun secara sistematis untuk mendukung proses analisis sentimen komentar pengguna TikTok terhadap kampanye Save Raja Ampat menggunakan model IndoBERT.
Proses penelitian terdiri dari beberapa langkah yang dapat dijelaskan sebagai berikut:
Identifikasi Masalah dan Penentuan Tujuan Penelitian dimulai dengan mengidentifikasi masalah utama, yaitu perlunya pemetaan opini publik terhadap kampanye konservasi yang viral di media sosial.
Selanjutnya, dirumuskan tujuan penelitian, yaitu mengklasifikasikan sentimen publik dan mengevaluasi performa model IndoBERT dalam klasifikasi data sosial media.
Studi Pustaka Peneliti melakukan penelusuran dan telaah terhadap referensi-referensi yang relevan terkait analisis sentimen, penggunaan IndoBERT, serta pemanfaatan data media sosial dalam kampanye lingkungan.
Pengumpulan Data (Scraper Dat.
Data dikumpulkan dari platform TikTok dengan mengekstraksi komentar-komentar yang terdapat pada video yang membahas SaveRajaAmpat.
Proses scraping dilakukan menggunakan skrip Python untuk mendapatkan data komentar secara otomatis.
Pra-pemrosesan Data (Preprocessin.
Tahap ini dilakukan untuk membersihkan data teks dari unsur-unsur yang tidak relevan.
Adapun langkah-langkah prapemrosesan meliputi:
Cleaning: menghapus simbol, emoji, dan karakter non-alfabet.
Case Folding: mengubah seluruh teks menjadi huruf kecil.
Normalisasi Kata: menyamakan kata tidak baku menjadi bentuk baku.
Copyright A 2025 The Author.
Page 1068 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1067-1075 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Tokenizing: memisahkan kalimat menjadi kata per kata.
Stopword Removal: menghapus kata-kata umum yang tidak mengandung makna penting.
Stemming: mengembalikan kata ke bentuk dasarnya menggunakan stemmer bahasa Indonesia.
Pemberian Label Sentimen (Labelin.
Komentar-komentar yang telah dibersihkan kemudian diberi label sentimen menggunakan pendekatan berbasis leksikon .
exicon-base.
, yaitu positif, negatif, atau netral.
Proses ini diawasi secara manual untuk memastikan validitas data.
Pembagian Dataset (Splitting Datase.
Setelah proses pelabelan komentar selesai, dataset kemudian dibagi menjadi dua kelompok, yaitu data pelatihan .
dan data pengujian .
, dengan perbandingan umum 80% untuk pelatihan dan 20% untuk pengujian.
Data pelatihan digunakan dalam proses pembelajaran model IndoBERT, sedangkan data pengujian dimanfaatkan untuk menilai kinerja model yang telah dilatih.
Pelatihan Model (Training IndoBERT) Model IndoBERT digunakan untuk melakukan fine-tuning pada data pelatihan.
IndoBERT merupakan model pretrained yang telah dilatih pada korpus bahasa Indonesia, sehingga dapat memahami konteks lokal secara lebih baik dalam proses klasifikasi.
Evaluasi Model Kinerja model diukur menggunakan tiga metrik utama:
Confusion Matrix: untuk melihat distribusi klasifikasi benar dan salah antar kategori.
Accuracy: untuk mengukur persentase prediksi benar secara keseluruhan.
Classification Report: berisi precision, recall, dan F1-score untuk masing-masing kelas sentimen.
2 Analisis Sentimen Analisis sentimen adalah proses untuk mengetahui apakah suatu opini bersifat positif, negatif, atau netral.
Tujuan utamanya adalah mengelompokkan teks berdasarkan sikap atau perasaan penulis terhadap suatu topik .
Salah satu pendekatan yang banyak digunakan dalam analisis sentimen adalah metode lexicon-based, yaitu dengan menggunakan daftar kata yang sudah memiliki nilai sentimen tertentu.
Metode ini membantu sistem mengenali opini dengan lebih cepat dan akurat.
Salah satu contoh metode leksikon adalah VADER (Valence Aware Dictionary and Sentiment Reasone.
, yang sering digunakan untuk menganalisis komentar di media sosial .
VADER dapat mengklasifikasikan teks ke dalam kategori positif, negatif, atau netral, serta memberikan nilai total .
ompound scor.
untuk mengukur kekuatan sentimen secara keseluruhan.
Pendekatan ini sangat bermanfaat dalam pengolahan bahasa alami karena bisa memahami bahasa informal yang sering digunakan di platform seperti TikTok atau Twitter .
3 BERT Bidirectional Encoder Representations from Transformers (BERT) adalah model deep learning yang digunakan untuk merepresentasikan kata-kata dalam konteks kalimat sebagai bagian dari proses Natural Language Processing (NLP) .
Model ini dikembangkan oleh Google dan diperkenalkan pada tahun 2018 .
BERT merupakan bagian dari arsitektur Transformer .
, namun berbeda dari pendekatan sebelumnya, karena BERT melatih model untuk memprediksi katakata yang sengaja disembunyikan dalam sebuah kalimat berdasarkan konteks dari kata-kata di sekitarnya .
, .
Pendekatan ini memungkinkan BERT memahami relasi antar-kata secara lebih mendalam sehingga mampu meningkatkan akurasi dalam berbagai tugas NLP .
4 IndoBERT IndoBERT adalah varian model pre-trained berbasis BERT yang dikembangkan untuk bahasa Indonesia .
, .
, .
Terdapat 4 versi berbeda dari model ini, yakni yaycuyccycuyaAyaycIycNyaAyaycIya , yaycuyccycuyaAyaycIycNyayaycIyaya , yaycuyccycuyaAyaycIycN Oe yaycnycyceyaAyaycIya , yaycuyccycuyaAyaycIycN Oe yaycnycyceyayaycIyaya .
Semua model IndoBERT dilatih menggunakan kekuatan pemrosesan TPU v3-8 dalam dua Pada tahap awal.
IndoBERT dilatih dengan panjang input sekuens sebesar 128, kemudian pada tahap kedua, panjang input sekuens diperluas menjadi 512.
IndoBERT memanfaatkan dataset Indo4B, yang mencakup lebih dari 23 GB teks bahasa Indonesia, termasuk 4 miliar kata yang bervariasi antara bahasa formal dan colloquial dari berbagai sumber seperti media sosial, blog, berita, dan situs web.
Dalam proses pembentukan vocabulary.
IndoBERT menggunakan SentencePiece dengan teknik Byte Pair Encoding (BPE) sebagai tokenizer.
SentencePiece adalah subword tokenizer yang independen dari bahasa dan juga berfungsi sebagai detokenizer, dirancang khusus untuk pengolahan teks berbasis jaringan HASIL DAN PEMBAHASAN 1 Pembahasan Penelitian ini diawali dengan proses pengumpulan data menggunakan teknik scraping pada platform TikTok.
Pengambilan data dilakukan mulai 8 Juni 2025, sehingga terkumpul sebanyak 10.
000 ulasan.
Seluruh hasil scraping Copyright A 2025 The Author.
Page 1069 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1067-1075 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
disimpan dalam format file berekstensi .
Contoh data yang berhasil dikumpulkan sebelum dilakukan tahap prapemrosesan dapat dilihat pada Tabel 2 Tabel 1.
Contoh Hasil Scraping Data Akun @shri1281 mandor mah kuat Scorpio20Coa Tari Komentar SAVE RAJA AMPAT Guys! jangan terkecoh sama story Gerindra, buk.
emang presiden ga ada tanggapan, nyesel saya p.
Ya Allah Tenggelamkan Indonesia Yg jadi prtanyaan.
rakyat dpt apa dari tambang Jumlah Suka Gambar 2.
Wordcloud dan kata yang sering muncul Sebelum Preprocessing 2 Preprocesing 1 Cleaning Pada langkah ini, dilakukan penyesuaian untuk mengurangi unsur-unsur seperti karakter atau simbol yang tidak begitu penting sehingga meningkatkan keterbacaan kalimat.
Beberapa elemen yang dihilangkan mencakup tanda baca, emoji, angka, spasi berlebih dan masih banyak lagi.
Berikut merupakan hasil data ulasan yang dihasilkan dari tahap penghapusan karakter spesial dan simbol ditunjukkan pada Tabel 2.
Tabel 2.
Contoh Hasil Tahap Cleaning Sebelum SAVE RAJA AMPAT Guys! jangan terkecoh sama story Gerindra, buk.
emang presiden ga ada tanggapan, nyesel saya p.
Ya Allah Tenggelamkan Indonesia Yg jadi prtanyaan.
rakyat dpt apa dari tambang Sesudah SAVE RAJA AMPAT Guys jangan terkecoh sama story Gerindra bukan.
emang presiden ga ada tanggapan nyesel saya pi.
Ya Allah Tenggelamkan Indonesia Yg jadi prtanyaan rakyat dpt apa dari tambang 2 Case folding Case folding adalah proses mengubah semua teks dalam dataset menjadi satu format huruf yang konsisten, biasanya huruf Ini penting dalam analisis teks karena memastikan kata-kata seperti "Saya" dan "saya" diperlakukan sama.
ditunjukkan pada Tabel 3.
Tabel 3.
Contoh Hasil Tahap Case folding Komentar SAVE RAJA AMPAT Guys! jangan terkecoh sama story Gerindra, buk.
emang presiden ga ada tanggapan, nyesel saya p.
Ya Allah Tenggelamkan Indonesia Yg jadi prtanyaan.
rakyat dpt apa dari tambang Cleaning SAVE RAJA AMPAT Guys jangan terkecoh sama story Gerindra bukan.
emang presiden ga ada tanggapan nyesel saya pi.
Ya Allah Tenggelamkan Indonesia Yg jadi prtanyaan rakyat dpt apa dari tambang Case_Folding save raja ampat guys jangan terkecoh sama story gerindra bukan.
emang presiden ga ada tanggapan nyesel saya pi.
ya allah tenggelamkan indonesia yg jadi prtanyaan rakyat dpt apa dari 3 Normalisasi Kata Tahap berikutnya adalah normalisasi kata, yaitu proses menghilangkan penggunaan bahasa informal atau slang, serta mengganti singkatan menjadi kata yang lengkap.
Contoh hasil data ulasan setelah melalui proses normalisasi kata dapat dilihat pada Tabel 4.
Tabel 4.
Contoh Hasil Tahap normalisasi kata Sebelum save raja ampat Sesudah save raja ampat Copyright A 2025 The Author.
Page 1070 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1067-1075 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Sebelum guys jangan terkecoh sama story gerindra bukan.
emang presiden ga ada tanggapan nyesel saya pi.
ya allah tenggelamkan indonesia yg jadi prtanyaan rakyat dpt apa dari tambang Sesudah guys jangan terkecoh sama story gerindra bukan.
memang presiden tidak ada tanggapan menyesal s.
ya allah tenggelamkan indonesia yang jadi prtanyaan rakyat dapat apa dari tambang 4 Tokenisasi Tokenisasi adalah proses dasar dalam Natural Language Processing (NLP) yang bertujuan memecah teks mentah menjadi unit-unit yang lebih kecil yang disebut token.
Token ini umumnya berupa kata, frasa pendek, atau bahkan karakter, tergantung dari pendekatan yang digunakan.
Dalam konteks penelitian ini, tokenisasi dilakukan untuk memecah setiap komentar pengguna TikTok menjadi potongan-potongan kata yang dapat diolah oleh model IndoBERT.
Berikut merupakan hasil data setelah dilakukan tahapan Tokenisasi ditunjukkan pada Tabel 5.
Tabel 5.
Contoh Hasil Tahap Tokenisasi Sebelum save raja ampat guys jangan terkecoh sama story gerindra bukan.
memang presiden tidak ada tanggapan menyesal s.
ya allah tenggelamkan indonesia yang jadi prtanyaan rakyat dapat apa dari tambang Sesudah .
ave, raja, ampa.
uys, jangan, terkecoh, sama, story, gerindra.
emang, presiden, tidak, ada, tanggapan, meny.
a, allah, tenggelamkan, indonesi.
ang, jadi, prtanyaan, rakyat, dapat, apa, da.
5 Stopword Removal Stopword removal adalah tahap penting dalam pra-pemrosesan teks yang bertujuan menghapus kata-kata umum .
yang tidak memiliki kontribusi bermakna terhadap analisis sentimen.
Stopword seperti "yang", "dari", "dan", "itu", atau "ke" sering muncul dalam teks, namun biasanya tidak membawa makna sentimen yang kuat.
Oleh karena itu, menghilangkan stopword dapat membantu meningkatkan efisiensi pemrosesan serta ketepatan klasifikasi model dalam menangkap opini yang sebenarnya.
Berikut merupakan hasil data setelah dilakukan tahapan Stopword removal ditunjukkan pada Tabel 6.
Tabel 6.
Contoh Hasil Tahap Stopword removal Sebelum .
ave, raja, ampa.
uys, jangan, terkecoh, sama, story, gerindra.
emang, presiden, tidak, ada, tanggapan, meny.
a, allah, tenggelamkan, indonesi.
ang, jadi, prtanyaan, rakyat, dapat, apa, da.
Sesudah .
ave, raja, ampa.
uys, terkecoh, story, gerindra, apaapa, ya, .
residen, tanggapan, menyesal, pilih, prabow.
a, allah, tenggelamkan, indonesi.
rtanyaan, rakyat, tamban.
6 Stopword Removal Stemming adalah proses mengubah kata turunan menjadi bentuk dasarnya .
oot wor.
dengan tujuan menyederhanakan variasi kata dan memperkecil dimensi fitur dalam analisis teks.
Dalam konteks analisis sentimen, stemming sangat penting karena membantu menyatukan berbagai bentuk kata yang merujuk pada makna yang sama, sehingga model tidak perlu mempelajari representasi terpisah untuk setiap variasi kata.
Berikut merupakan hasil data setelah dilakukan tahapan Stemming ditunjukkan pada Tabel 7.
Tabel 7.
Contoh Hasil Tahap Stemming Sebelum .
ave, raja, ampa.
uys, terkecoh, story, gerindra, apaapa, ya, .
residen, tanggapan, menyesal, pilih, prabow.
a, allah, tenggelamkan, indonesi.
rtanyaan, rakyat, tamban.
Sesudah save raja ampat guys kecoh story gerindra apaapa ya ngalihin p.
presiden tanggap sesal pilih prabowo ya allah tenggelam indonesia prtanyaan rakyat tambang Gambar 3.
Wordcloud dan kata yang sering muncul setelah Preprocessing Copyright A 2025 The Author.
Page 1071 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1067-1075 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
6 Pelabelan Data Setiap kalimat pada data yang telah melewati tahap pra-pemrosesan kemudian diberi label sentimen.
Proses pelabelan ini dilakukan secara otomatis menggunakan metode lexicon-based berbasis vader lexicon yang telah disesuaikan, sehingga setiap data dapat dikategorikan ke dalam sentimen negatif, netral, atau positif.
Contoh hasil dari proses pelabelan tersebut dapat dilihat pada Tabel 8.
Tabel 8.
Contoh Hasil Tahap Pelebelan No.
Komentar SAVE RAJA AMPAT Guys! jangan terkecoh sama story Gerindra, buk.
emang presiden ga ada tanggapan, nyesel saya p.
Ya Allah Tenggelamkan Indonesia Score Sentiment Netral Negatif Negatif Netral Gambar 4.
Hasil Pelebelan dan Wordcloud setelah Pelebelan 7 Pemodelan Pada tahap pemodelan, dataset dibagi menjadi tiga bagian utama: 70% untuk data pelatihan .
, 15% untuk data validasi .
, dan 15% untuk data pengujian .
Data pelatihan digunakan untuk membangun model, data validasi berfungsi untuk memantau performa model selama pelatihan agar terhindar dari overfitting, dan data pengujian digunakan untuk mengevaluasi performa akhir model yang telah dilatih.
Dalam penelitian ini, digunakan model IndoBERT sebagai algoritma klasifikasi sentimen.
IndoBERT merupakan model pre-trained berbasis transformer yang tersedia secara bebas melalui pustaka Hugging FaceAisalah satu platform open source terkemuka dalam bidang Natural Language Processing (NLP).
Versi model yang digunakan adalah IndoBERT base versi p2, yang dikenal memiliki performa unggul dalam memahami konteks bahasa Indonesia .
Proses klasifikasi dengan IndoBERT diawali dengan tahap embedding, di mana setiap komentar diubah menjadi Tokenisasi dilakukan dengan menambahkan token khusus seperti [CLS] di awal kalimat dan [SEP] di akhir kalimat, serta [PAD] untuk menyamakan panjang input dalam setiap batch.
Token-token ini kemudian dikonversi menjadi indeks numerik berdasarkan kosakata model.
Selanjutnya, representasi token ini diproses oleh arsitektur IndoBERT yang terdiri dari 12 lapisan encoder, masingmasing dilengkapi dengan multi-head self-attention untuk menghitung relasi antar-token dalam konteks kalimat.
Output dari encoder berupa vektor representasi yang kemudian dilewatkan ke lapisan klasifikasi untuk menghasilkan nilai logits, yang selanjutnya diubah menjadi probabilitas kelas menggunakan fungsi aktivasi softmax.
Agar model dapat bekerja secara optimal, peneliti melakukan proses fine-tuning dengan menyesuaikan beberapa hyperparameter utama menggunakan algoritma optimasi ADAM (Adaptive Moment Estimatio.
Tiga hyperparameter yang diatur dalam penelitian ini meliputi: learning rate, batch size, dan epoch.
Learning rate yang digunakan adalah 5e6, yang mengatur seberapa cepat model belajar dari data pelatihan.
Batch size ditetapkan sebanyak 32, yang menentukan jumlah data yang diproses dalam satu iterasi pembaruan bobot.
Sementara itu, jumlah epoch ditentukan sebanyak 5 kali, yang berarti seluruh dataset dilatih secara lengkap selama lima putaran.
Dengan konfigurasi ini, proses pelatihan model disesuaikan untuk mencapai akurasi klasifikasi yang tinggi dan stabil pada data komentar TikTok dan Youtube terkait kampanye Save Raja Ampat.
Tahapan pemodelan yang sistematis ini memungkinkan IndoBERT untuk memahami nuansa bahasa dalam komentar publik secara lebih akurat.
Berikut merupakan proses pemodelan data ulasan ditunjukkan pada Tabel 9.
Tabel 9.
Contoh Hasil Tahap Pemodelan No.
Komentar kan dah di blg penambangan nikel itu di pulau .
Pulau sudah gondol.
alam yg bgtu indah di mata dunia di hancurkan .
emang bener jangan percaya sama manusia
SUKA
Score Sentiment Negatif Netral Negatif Positif Sentiment Negatif Netral Negatif Positif Copyright A 2025 The Author.
Page 1072 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1067-1075 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
3 Evaluasi Model Setelah model IndoBERT berhasil dibangun dan menghasilkan output, tahap selanjutnya adalah mengevaluasi kinerja model tersebut.
Evaluasi dilakukan dengan memanfaatkan confusion matrix serta analisis grafik akurasi dan loss.
1 Confusion Matrix Visualisasi confusion matrix dari hasil klasifikasi data ulasan ditampilkan pada Gambar 6.
Gambar 5.
Confusion Matrix Data Ulasan Berdasarkan visualisasi confusion matrix, model berhasil memprediksi sentimen negatif secara tepat pada 261 data, sentimen netral pada 239 data, dan sentimen positif pada 39 data.
Selain keberhasilan klasifikasi tersebut, juga ditemukan beberapa kesalahan prediksi oleh model.
Selanjutnya, berbagai metrik evaluasi performa model IndoBERT untuk setiap platform disajikan pada Tabel 10.
Tabel 10.
Ukuran kebaikan model IndoBERT No.
Ukuran Kebaikan Akurasi Presisi Recall F1-score Score Selain menggunakan confusion matrix, evaluasi model juga dilakukan melalui metrik precision, recall, dan f1score.
Hasil menunjukkan bahwa model memiliki akurasi keseluruhan sebesar 71,58%.
Untuk sentimen negatif, model memperoleh precision sebesar 0,74, recall 0,80, dan f1-score 0,77.
Pada sentimen netral, diperoleh precision 0,73, recall 0,72, dan f1-score 0,72.
Sementara itu, performa model untuk sentimen positif masih rendah, dengan precision 0,55, recall 0,41, dan f1-score 0,47.
Rata-rata secara keseluruhan .
acro averag.
adalah precision 0,67, recall 0,64, dan f1-score 0,65.
Hasil ini menunjukkan bahwa model cukup baik dalam mengenali sentimen negatif dan netral, namun masih perlu perbaikan dalam mendeteksi sentimen positif.
2 Akurasi vs Loss Untuk melihat konsistensi kinerja model, dilakukan analisis terhadap perubahan nilai loss dan akurasi selama pelatihan.
Berdasarkan Gambar 6, model IndoBERT menunjukkan hasil yang baik pada data pelatihan.
Nilai loss terus menurun dari sekitar 0,84 di epoch pertama menjadi 0,31 di epoch kelima, yang menandakan model semakin memahami data.
Akurasi training juga meningkat dari sekitar 62% menjadi 89% dalam lima epoch.
Namun, akurasi validasi hanya naik sampai epoch ketiga, lalu menurun pada epoch keempat dan kelima.
Ini menunjukkan bahwa model mulai overfitting, yaitu terlalu cocok dengan data pelatihan dan kurang baik saat diuji pada data baru.
Secara umum, grafik ini menunjukkan bahwa model IndoBERT cukup baik dalam belajar dari data, namun perlu perbaikan agar hasilnya lebih stabil dan akurat pada data validasi.
Berikut hasil Grafik akurasi dan Loss pada data ulasan Shopee ditunjukkan pada Gambar 6.
Gambar 6.
Grafik akurasi dan Loss Copyright A 2025 The Author.
Page 1073 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1067-1075 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
4 Pembahasan Setelah melalui serangkaian tahap seperti yang telah dijelaskan, model IndoBERT yang telah dilatih mampu mengklasifikasikan sentimen publik dalam data komentar Save Raja Ampat dengan akurasi keseluruhan 71,58%.
Berdasarkan evaluasi pada data uji, untuk kelas sentimen negatif, model memperoleh precision sebesar 0,74, recall 0,80, dan F1-score 0,77.
Pada kelas netral, diperoleh precision 0,73, recall 0,72, dan F1-score 0,72.
Sementara itu, performa model untuk kelas positif terlihat paling rendah, dengan precision hanya 0,55, recall 0,41, dan F1-score 0,47.
Rata-rata makro .
acro-averag.
dari ketiga kelas tersebut adalah sekitar precision 0,67, recall 0,64, dan F1-score 0,65.
Hasil ini menunjukkan bahwa model cukup baik dalam mengenali sentimen negatif dan netral, namun masih kesulitan dalam mendeteksi sentimen positif.
Hal ini tampak dari nilai precision dan recall pada kelas positif yang jauh lebih rendah dibandingkan dua kelas lainnya.
Kinerja model selama proses pelatihan juga memperlihatkan gejala overfitting.
Hal ini terlihat dari grafik learning curve model: akurasi pada data latihan terus meningkat .
encapai 89% setelah 5 epoc.
dan loss menurun signifikan, namun akurasi pada data validasi justru mencapai puncak di epoch ke-3 lalu menurun pada epoch-epoch berikutnya.
Model IndoBERT nampak terlalu menyesuaikan diri dengan pola pada data latih sehingga kurang mampu melakukan generalisasi ke data baru.
Overfitting ini dipengaruhi antara lain oleh distribusi data latih yang tidak seimbang antar kelas sentimen, di mana model cenderung terfokus pada kelas mayoritas.
Ketidakseimbangan kelas dapat menyebabkan model mengabaikan kelas minoritas .
, sehingga kinerjanya untuk kelas positif menjadi lemah.
Selain itu, belum diterapkannya teknik regularisasi lanjutan seperti dropout atau weight decay turut berkontribusi terhadap overfitting yang Penerapan dropout selama pelatihan diketahui efektif mengurangi overfitting dengan cara mengurangi ketergantungan antar neuron, sehingga seharusnya dapat meningkatkan kemampuan generalisasi model.
Berdasarkan temuan tersebut, terdapat beberapa rekomendasi untuk penelitian selanjutnya.
Pertama, mengatasi ketidakseimbangan kelas pada data misalnya dengan menambah jumlah data untuk kelas yang jarang .
melalui teknik oversampling atau sintesis data diharapkan dapat meningkatkan kemampuan model mengenali sentimen minoritas.
Upaya penyeimbangan data semacam ini terbukti dapat meningkatkan performa model pada skenario imbalanced.
Kedua, menerapkan teknik regularisasi seperti dropout maupun metode lain .
isal: early stopping atau weight deca.
dalam proses pelatihan, untuk mencegah model terlalu hafal pada data latih dan menjaga performa pada data validasi.
Ketiga, memperluas sumber data dengan memasukkan data dari platform lain seperti YouTube atau Instagram yang relevan dengan kampanye konservasi, sehingga model dilatih dengan konteks yang lebih beragam dan robust terhadap berbagai gaya bahasa warganet.
Terakhir, melakukan perbandingan performa model IndoBERT dengan model-model bahasa Indonesia lainnya, misalnya IndoBERT-Lite, mBERT .
ultilingual BERT), atau RoBERTa.
Studi perbandingan menunjukkan bahwa varian model seperti IndoBERT-Lite dan lainnya dapat memiliki keunggulan pada tugas tertentu .
Oleh karena itu, menguji berbagai model alternatif akan memberikan gambaran yang lebih komprehensif apakah IndoBERT merupakan model terbaik untuk kasus analisis sentimen semacam ini, atau justru ada model lain yang lebih KESIMPULAN Penelitian ini telah menganalisis sentimen publik terhadap kampanye Save Raja Ampat di platform TikTok dan Youtube menggunakan model language model IndoBERT.
Hasil penelitian menunjukkan bahwa model mampu mengklasifikasikan data sentimen dengan akurasi sekitar 71,58%.
Model cukup akurat dalam mengenali sentimen negatif dan netral, namun masih mengalami kesulitan dalam mendeteksi sentimen positif.
Hal tersebut terlihat dari nilai precision dan recall pada kelas positif yang relatif rendah dibandingkan dua kelas lainnya.
Evaluasi menggunakan confusion matrix dan grafik akurasi-loss selama pelatihan menunjukkan bahwa model dapat belajar secara efektif pada data training .
itandai dengan penurunan loss dan peningkatan akuras.
, tetapi performa pada data validasi mulai menurun setelah epoch ketiga, yang mengindikasikan gejala overfitting.
Keterbatasan dalam penelitian ini terletak pada distribusi data yang tidak seimbang antar kelas sentimen jumlah data kelas positif relatif sedikit serta tidak diterapkannya metode regularisasi lanjutan seperti dropout atau weight decay.
Untuk penelitian selanjutnya, disarankan untuk menyeimbangkan proporsi data tiap kelas dengan menambah data sentimen positif atau melakukan data augmentation, menambah variasi sumber data dari media sosial lain seperti YouTube dan Instagram, serta melakukan perbandingan performa dengan model NLP bahasa Indonesia lain .
isalnya IndoBERT-Lite, mBERT, atau RoBERT.
Dengan berbagai perbaikan tersebut, diharapkan performa model dapat meningkat secara signifikan dan menghasilkan klasifikasi sentimen yang lebih akurat serta generalisasi yang lebih baik pada beragam konteks data.
REFERENCES