Ridlo, Nirwan Rasyid (2026) Implementasi FinBERT untuk analisis sentimen berita ekonomi Indonesia dengan pendekatan MLOps. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text
1_cover.pdf Download (189kB) | Preview |
|
|
Text
2_abstrak.pdf Download (225kB) | Preview |
|
|
Text
3_skbebasplagiarism.pdf Download (824kB) | Preview |
|
|
Text
4_daftarisi.pdf Download (3MB) | Preview |
|
|
Text
5_bab1.pdf Download (439kB) | Preview |
|
![[img]](https://digilib.uinsgd.ac.id/style/images/fileicons/text.png) |
Text
6_bab2.pdf Restricted to Registered users only Download (747kB) | Request a copy |
|
|
Text
7_bab3.pdf Restricted to Registered users only Download (521kB) | Request a copy |
|
|
Text
8_bab4.pdf Restricted to Registered users only Download (2MB) | Request a copy |
|
|
Text
9_bab5.pdf Restricted to Registered users only Download (229kB) | Request a copy |
|
|
Text
10_daftarpustaka.pdf Restricted to Registered users only Download (244kB) | Request a copy |
|
|
Text
11_lampiran.pdf Restricted to Repository staff only Download (2MB) | Request a copy |
Abstract
Penelitian ini mengimplementasikan model FinBERT untuk analisis sentimen berita ekonomi Indonesia dengan pendekatan Machine Learning Operations (MLOps). Tujuannya adalah mengetahui performa model FinBERT dalam analisis sentimen terhadap perubahan berita ekonomi Indonesia pada periode 2024-2026, memantau performanya, dan menentukan strategi retraining yang efektif. Metode yang digunakan adalah CRISP-ML(Q) dengan pendekatan MLOps pada tahap monitoring dan pemeliharaan model. Data terdiri dari 7.728 berita CNBC Indonesia berlabel untuk fine-tuning model (F1-Score 86,14%) dan 4.979 berita Google News RSS Feed periode 2024 sampai Q2 2026 yang disimulasikan sebagai aliran produksi kuartalan, dengan data 2024 sebagai baseline produksi (F1-Score 78,63%). Pergeseran data (data drift) dipantau menggunakan Population Stability Index (PSI), sedangkan performa model dipantau menggunakan metrik evaluasi klasifikasi. Hasil menunjukkan terjadi pergeseran data yang ditandai nilai PSI melonjak tiga kali lipat pada Q2 2025, diikuti penurunan F1-Score sebesar 11,8% (F1-Score 66,83%). Retraining terbukti memulihkan performa, dari empat strategi yang dibandingkan, yaitu tiga strategi terawasi (Cumulative, Sliding Window, dan Experience Replay) dan satu strategi otomasi (Unsupervised Domain Adaptation/UDA), strategi Cumulative mencatat rata-rata F1-Score tertinggi (79,62%), namun memerlukan seluruh data sejak awal monitoring, sedangkan UDA mencapai 73,80% tanpa label manual, lebih tinggi 5,69 poin persentase dari model statis (68,11%). Dengan demikian, tidak ada strategi yang paling efektif dari sisi performa dan sumber daya. Kesimpulannya, strategi retraining yang direkomendasikan adalah pendekatan hibrida, yaitu menggunakan UDA untuk pemeliharaan otonom rutin setiap kuartal, lalu beralih ke Cumulative dengan pengawasan ketika performa turun terus-menerus
| Item Type: | Thesis (Sarjana) |
|---|---|
| Uncontrolled Keywords: | Analisis Sentimen; Data drift; FinBERT; MLOps; Retraining; Semantic shift; |
| Subjects: | Data Processing, Computer Science |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Informatika |
| Depositing User: | Nirwan Rasyid Ridlo |
| Date Deposited: | 21 Oct 2026 05:01 |
| Last Modified: | 21 Oct 2026 05:01 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/144465 |
Actions (login required)
 |
View Item |
