Klasifikasi sentimen berita untuk pemerintahan daerah menggunakan metode Fine-Tuning Model Sentence-BERT

Muhammad Zahidy, Syawal (2025) Klasifikasi sentimen berita untuk pemerintahan daerah menggunakan metode Fine-Tuning Model Sentence-BERT. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (194kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (282kB) | Preview
Preview	Text (KETERANGAN BEBAS PLAGIARISM) 3_keteranganbebasplagiarisme.pdf Download (396kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (249kB) | Preview
Preview	Text (BAB I) 5_bab1.pdf Download (419kB) | Preview
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (411kB) | Request a copy
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (393kB) | Request a copy
	Text (BAB IV) 8_bab4.pdf Restricted to Registered users only Download (903kB) | Request a copy
	Text (BAB V) 9_bab5.pdf Restricted to Registered users only Download (236kB) | Request a copy
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (243kB) | Request a copy

Abstract

Penelitian ini bertujuan untuk membangun model klasifikasi sentimen terhadap berita pemerintahan daerah menggunakan algoritma Sentence-BERT (S-BERT). Studi dilakukan pada kumpulan berita tentang Kabupaten Purwakarta yang diperoleh dari dokumentasi internal Dinas Komunikasi dan Informatika (Diskominfo) Kabupaten Purwakarta. Total data yang digunakan sebanyak 1803 berita dan hasil Scraping GNews sebanyak 1879 Berita, kemudian diseleksi menjadi 894 entri dengan dua label sentimen utama, yaitu positif dan negatif. Metode penelitian menggunakan pendekatan SEMMA (Sample, Explore, Modify, Model, Assess). Tahap preprocessing mencakup tokenisasi, penghapusan stopword, dan stemming menggunakan algoritma Nazief & Adriani. Evaluasi model dilakukan dengan metrik akurasi, precision, recall, dan F1-score. Proses representasi kalimat dilakukan menggunakan model pre-trained all-MiniLM-L6-v2 dan teknik SMOTE untuk menangani data tidak seimbang. Model klasifikasi dibangun menggunakan arsitektur Deep Learning dengan strategi fine-tuning. Hasil evaluasi akhir menunjukkan akurasi sebesar 87%. Analisis lebih lanjut menunjukkan kinerja yang kuat pada kelas positif (F1-score 0.93) namun lebih moderat pada kelas negatif, menghasilkan F1-score (macro average) sebesar 0.73. Hasil ini memperlihatkan bahwa model S-BERT efektif secara umum, namun kinerjanya masih dipengaruhi oleh karakteristik data yang tidak seimbang. Analisis lebih lanjut menunjukkan bahwa sebagian besar kesalahan prediksi terjadi pada berita yang memiliki sentimen campuran atau konteks yang ambigu. Perbandingan dengan beberapa penelitian sebelumnya menunjukkan bahwa pendekatan ini memberikan performa yang kompetitif. Hasil penelitian ini memperlihatkan bahwa S-BERT merupakan metode yang efektif untuk klasifikasi sentimen berita pemerintahan daerah di Indonesia.

Actions (login required)

View Item