Analisis Sentimen Komentar YouTube Berbahasa Indonesia terkait Isu Warga Negara Indonesia di Jepang Menggunakan Model Hybrid IndoBERT dan LSTM

Febraio, Vaness (2026) Analisis Sentimen Komentar YouTube Berbahasa Indonesia terkait Isu Warga Negara Indonesia di Jepang Menggunakan Model Hybrid IndoBERT dan LSTM. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (318kB)
	PDF BAB_II.pdf Download (912kB)
	PDF BAB_III.pdf Download (447kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (285kB)
	PDF DAFTAR_PUSTAKA.pdf Download (315kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (419kB)

Abstract

Perkembangan pesat media sosial telah mengubah cara masyarakat mengekspresikan opini dan emosi terhadap berbagai isu sosial, dengan YouTube menjadi salah satu platform utama dalam diskursus publik. Salah satu isu yang menarik perhatian luas adalah keterlibatan Warga Negara Indonesia (WNI) dalam berbagai insiden di Jepang yang memicu beragam reaksi dari masyarakat Indonesia. Reaksi tersebut tercermin dalam komentar YouTube berbahasa Indonesia yang mengandung sentimen positif, negatif, dan netral. Penelitian ini bertujuan untuk menganalisis sentimen komentar YouTube terkait isu WNI di Jepang menggunakan model hybrid IndoBERT­LSTM. IndoBERTdimanfaatkan untuk menghasilkan embedding kontekstual yang mampu merepresentasikan makna semantik teks secara akurat, sedangkan Long Short-Term Memory (LSTM) digunakan untuk memodelkan urutan kata serta dependensi jangka panjang dalam kalimat. Dataset dikumpulkan dari platform YouTube dan melalui beberapa tahap praproses, meliputi pembersihan teks, normalisasi, tokenisasi, penghapusan stopword, dan stemming. Proses pelabelan sentimen dilakukan menggunakan InSet Lexicon, kemudian data dibagi menjadi data latih dan data uji dengan rasio 80:20. Hasil eksperimen menunjukkan bahwa model IndoBERT­LSTM mencapai akurasi sebesar 77%, dengan nilai precision, recall, dan F1-score masing-masing sebesar 0,77. Secara per kelas, sentimen negatif memperoleh F1-score 0,79, sentimen netral 0,71, dan sentimen positif 0,80. Selain itu, hasil analisis menunjukkan bahwa sentimen negatif mendominasi komentar, yang mencerminkan kuatnya respons emosional masyarakat terhadap isu tersebut serta menegaskan efektivitas model yang diusulkan dalam analisis sentimen teks media sosial berbahasa Indonesia.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Febraio, Vaness (00000055310)
Contributors:	Vasty Overbeek, Marlinda
Keywords:	Analisis sentimen, IndoBERT, LSTM, Hibrida, YouTube
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	30 Jan 2026 08:02
URI:	https://kc.umn.ac.id/id/eprint/44433

Actions (login required)

View Item