MUHAMAT ZAQY MUNIF (2025) PERBANDINGAN MODEL INDOBERT DAN ROBERTA UNTUK ANALISIS SENTIMEN PROGRAM PENDIDIKAN DI BARAK MILITER BERDASARKAN KOMENTAR YOUTUBE. S1 thesis, Universitas Muhammadiyah Yogyakarta.

[thumbnail of Halaman Judul] Text (Halaman Judul)
Halaman Judul.pdf
Download (497kB)
[thumbnail of Lembar Pengesahan] Text (Lembar Pengesahan)
Lembar Pengesahan.pdf
Restricted to Registered users only
Download (2MB)
[thumbnail of Abstrak] Text (Abstrak)
Abstrak.pdf
Restricted to Registered users only
Download (9kB)
[thumbnail of Bab I] Text (Bab I)
Bab I.pdf
Download (92kB)
[thumbnail of Bab II] Text (Bab II)
Bab II.pdf
Restricted to Registered users only
Download (22kB)
[thumbnail of Bab III] Text (Bab III)
Bab III.pdf
Restricted to Registered users only
Download (111kB)
[thumbnail of Bab IV] Text (Bab IV)
Bab IV.pdf
Restricted to Registered users only
Download (233kB)
[thumbnail of Bab V] Text (Bab V)
Bab V.pdf
Restricted to Registered users only
Download (5kB)
[thumbnail of Daftar Pustaka] Text (Daftar Pustaka)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (90kB)
[thumbnail of Naskah Publikasi] Text (Naskah Publikasi)
Naskah Publikasi.pdf
Restricted to Registered users only
Download (718kB)
[thumbnail of Full Text] Text (Full Text)
Full Text.pdf
Restricted to Repository staff only
Download (3MB)

Abstract

Tugas akhir ini bertujuan untuk mengevaluasi dan membandingkan performa dua model berbasis transformer, IndoBERT dan RoBERTa, dalam tugas klasifikasi sentimen pada komentarkomentar berbahasa Indonesia di platform YouTube. Evaluasi dilakukan menggunakan metrik seperti akurasi, presisi, recall, F1-score, dan analisis confusion matrix. Hasil penelitian menunjukkan bahwa model IndoBERT memiliki performa yang sangat baik dengan akurasi validasi mencapai 95,29%. Metrik presisi, recall, dan F1-score masing-masing mencapai 96,01%, yang menunjukkan kemampuan model yang seimbang dalam mengklasifikasikan sentimen positif, negatif, dan netral. Analisis confusion matrix mengungkap bahwa sentimen positif adalah kelas yang paling akurat diklasifikasikan (98,7%), sedangkan sentimen negatif menjadi tantangan terbesar dengan akurasi hanya 84,3%. Proses pelatihan model IndoBERT menunjukkan konvergensi yang stabil, dengan training loss yang menurun secara konsisten dan validation loss yang tetap rendah serta stabil, menandakan model memiliki kemampuan generalisasi yang baik tanpa mengalami overfitting. Di sisi lain, model RoBERTa juga menunjukkan kinerja yang solid dengan akurasi validasi sebesar 93,02%, serta presisi, recall, dan F1-score masing-masing sebesar 94,05%. Meskipun sedikit lebih rendah dibandingkan IndoBERT, RoBERTa menunjukkan efisiensi komputasi yang lebih tinggi dengan waktu pelatihan yang lebih singkat. Seperti halnya IndoBERT, model RoBERTa juga sangat efektif dalam mengidentifikasi sentimen positif (akurasi 98,4%), namun mengalami kesulitan dalam mengklasifikasikan sentimen negatif (akurasi 75,4%). Secara keseluruhan, kedua model terbukti efektif untuk analisis sentimen berbahasa Indonesia. IndoBERT unggul dalam akurasi, menjadikannya pilihan ideal untuk aplikasi yang memprioritaskan ketepatan tertinggi. Di sisi lain, RoBERTa menawarkan alternatif yang lebih efisien dalam hal sumber daya komputasi, menyajikan trade-off antara akurasi dan efisiensi.

Dosen Pembimbing: Slamet Riyadi, Ir., S.T., M.Sc., Ph.D. and Nurwahyu Alamsyah, S.Kom., M.Kom., M.IM., Ph.D | NIDN0509087801, NIDN0527029004
Item Type: Thesis (S1)
Uncontrolled Keywords: Sentiment Analysis, IndoBERT, RoBERTa, YouTube Comment, Public Policy, Military Education Program, NLP
Divisions: Fakultas Teknik > S1 Teknologi Informasi
Depositing User: Yuliana Ramawati
Date Deposited: 04 Aug 2025 09:03
Last Modified: 04 Aug 2025 09:03
URI: https://etd.umy.ac.id/id/eprint/52265

Actions (login required)

View Item View Item