Santosa, Ichlashul 'Amal (2026) Analisis sentimen publik terhadap beban utang proyek Kereta Cepat Whoosh pada multi platform media sosial menggunakan IndoBERT-SVM. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text (Cover)
1_cover.pdf Download (143kB) | Preview |
|
|
Text (Abstrak)
2_abstrak.pdf Download (51kB) | Preview |
|
|
Text (Keterangan bebas plagiarism)
3_skbebasplagiarism.pdf Download (142kB) | Preview |
|
|
Text (Daftar Isi)
4_daftarisi.pdf Download (61kB) | Preview |
|
|
Text (Bab 1)
5_bab1.pdf Download (267kB) | Preview |
|
![[img]](https://digilib.uinsgd.ac.id/style/images/fileicons/text.png) |
Text (Bab 2)
6_bab2.pdf Restricted to Registered users only Download (524kB) |
|
|
Text (Bab 3)
7_bab3.pdf Restricted to Registered users only Download (360kB) |
|
|
Text (Bab 4)
8_bab4.pdf Restricted to Registered users only Download (1MB) |
|
|
Text (Bab 5)
9_bab5.pdf Restricted to Registered users only Download (113kB) |
|
|
Text (Daftar Pustaka)
10_daftarpustaka.pdf Restricted to Registered users only Download (140kB) |
|
|
Text (Lampiran)
11_lampiran.pdf Restricted to Repository staff only Download (180kB) |
Abstract
Proyek Kereta Cepat Jakarta-Bandung (Whoosh) dengan nilai investasi yang masif memicu perdebatan fiskal yang dinamis di ruang publik digital, khususnya terkait beban utang negara. Penelitian ini bertujuan menganalisis karakteristik sentimen masyarakat terhadap isu beban utang tersebut secara komprehensif melalui Multi-platform media sosial (X, YouTube, dan TikTok). Pendekatan yang digunakan adalah model Hybrid Natural Language Processing (NLP) berbasis IndoBERT dan Support Vector Machine (SVM) yang dikembangkan di bawah kerangka kerja CRISP-DM. Sebanyak 6.766 baris data tekstual bersih dikumpulkan selama periode Juli 2025 hingga Januari 2026. Fitur semantik teks diekstraksi menggunakan CLS Embeddings (768 dimensi) dari model Pre-trained indobenchmark/indobert-base-p1. Guna mengatasi masalah ketidakseimbangan kelas secara objektif, teknik undersampling dan SMOTE dievaluasi dengan kepatuhan pipeline yang ketat hanya pada ruang data latih untuk menghindari bias data leakage. Hasil eksperimen menunjukkan bahwa model SVM dengan Kernel Polynomial (POLY) yang dilatih pada dataset original (split 90:10) keluar sebagai konfigurasi terbaik. Model ini mencatatkan akurasi test sebesar 87.44% dan Macro F1 sebesar 0.7830, dengan rata-rata akurasi 5-Fold Stratified Cross Validation sebesar 86.83% serta gap generalisasi (Train-CV) yang terkendali sebesar 4.55%. Dari sisi substantif, opini publik didominasi secara mutlak oleh sentimen negatif (70.0%), disusul netral (17.47%), dan positif (12.53%). Analisis tekstual mengindikasikan bahwa kecemasan utama masyarakat berakar pada beban fiskal APBN, isu transparansi tata kelola proyek, serta ketergantungan geopolitik terhadap pendanaan Tiongkok.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Uncontrolled Keywords: | analisis sentimen; Kereta Cepat Whoosh; utang proyek; multi-platform media sosial; IndoBERT; Support Vector Machine; CRISP-DM; SMOTE |
| Subjects: | Data Processing, Computer Science Data Processing, Computer Science > Computers Mathematical Principles Data Processing, Computer Science > Auxiliary Techniques Special Computer Methods Political Ethics > Duties of The State Accounting > Data Processing and Analysis of Accounting Accounting > Financial Reporting |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Informatika |
| Depositing User: | Ichlashul 'Amal Santosa |
| Date Deposited: | 03 Sep 2026 07:08 |
| Last Modified: | 03 Sep 2026 07:08 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/140672 |
Actions (login required)
 |
View Item |
