Implementasi Bidirectional Long Short-Term Memory (Bi-LSTM), IndoBERTweet, dan Arsitektur Hybrid untuk analisis sentimen opini publik terhadap isu intoleransi beragama

Rohmatillah, Irma (2026) Implementasi Bidirectional Long Short-Term Memory (Bi-LSTM), IndoBERTweet, dan Arsitektur Hybrid untuk analisis sentimen opini publik terhadap isu intoleransi beragama. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_Cover.pdf Download (204kB) | Preview
Preview	Text (ABSTRAK) 2_Abstrak.pdf Download (167kB) | Preview
Preview	Text (SURAT PERNYATAAN KARYA) 3_Surat Pernyataan Karya.pdf Download (430kB) | Preview
Preview	Text (DAFTAR ISI) 4_DaftarIsi.pdf Download (497kB) | Preview
Preview	Text (BAB I) 5_Bab1.pdf Download (240kB) | Preview
	Text (BAB II) 6_Bab2.pdf Restricted to Registered users only Download (689kB) | Request a copy
	Text (BAB III) 7_Bab3.pdf Restricted to Registered users only Download (389kB) | Request a copy
	Text (BAB IV) 8_Bab4.pdf Restricted to Registered users only Download (2MB) | Request a copy
	Text (BAB V) 9_Bab5.pdf Restricted to Registered users only Download (168kB) | Request a copy
	Text (DAFTAR PUSTAKA) 10_DaftarPustaka.pdf Restricted to Registered users only Download (413kB) | Request a copy

Abstract

Perkembangan era digital menjadikan kolom komentar YouTube sebagai sumber data strategis untuk memahami opini publik, termasuk pada isu sensitif seperti intoleransi beragama di Indonesia. Namun, analisis sentimen pada teks media sosial menghadapi tantangan berupa penggunaan bahasa tidak baku, ambiguitas makna, kompleksitas konteks semantik, serta ketidakseimbangan distribusi kelas. Penelitian ini bertujuan untuk mengintegrasikan IndoBERTweet dan Bidirectional Long Short-Term Memory (Bi-LSTM) dalam arsitektur Hybrid serta membandingkan performanya dengan model tunggal dalam klasifikasi sentimen tiga kelas, yaitu Negative, Neutral, dan Positive. Integrasi direalisasikan dengan menjadikan IndoBERTweet sebagai contextual feature extractor yang menghasilkan embedding berbasis konteks, kemudian representasi tersebut diproses lebih lanjut oleh lapisan Bi-LSTM untuk memodelkan dependensi sekuensial dua arah. Dataset penelitian terdiri dari 6.467 komentar YouTube hasil crawling yang diproses menggunakan kerangka CRISP-DM. Penanganan ketidakseimbangan kelas dilakukan melalui penerapan class weighting pada proses pelatihan model. Hasil evaluasi menunjukkan bahwa model IndoBERTweet memberikan performa terbaik dengan test accuracy sebesar 90,63%, macro F1-score sebesar 0,8367, dan weighted F1-score sebesar 0,9051, serta menghasilkan jumlah kesalahan klasifikasi paling sedikit yaitu 91 kesalahan dari total 971 data uji. Model Hybrid IndoBERTweet dan Bi-LSTM berada pada posisi kedua dengan accuracy sebesar 90,32%, macro F1-score sebesar 0,8331, weighted F1-score sebesar 0,9003, dan total 94 kesalahan klasifikasi. Sementara itu, model Bi-LSTM menunjukkan performa paling rendah dengan accuracy sebesar 68,49%, macro F1-score sebesar 0,5401, weighted F1-score sebesar 0,7057, serta menghasilkan 306 kesalahan klasifikasi. Hasil penelitian menunjukkan bahwa pendekatan berbasis Transformer memiliki kemampuan yang lebih unggul dalam memahami konteks bahasa pada komentar media sosial dibandingkan model sekuensial murni. Di sisi lain, pendekatan Hybrid mampu memberikan keseimbangan antara performa klasifikasi yang tinggi dan stabilitas generalisasi model terhadap data baru.

Actions (login required)

View Item