Perbandingan Kinerja Bi-Lstm dan Indobert dalam Analisis Sentimen Berbasis Aspek pada Opini Publik di Platform Tiktok

Aurelia Djoniwan, Clarissa (2026) Perbandingan Kinerja Bi-Lstm dan Indobert dalam Analisis Sentimen Berbasis Aspek pada Opini Publik di Platform Tiktok. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (721kB)
	PDF BAB_I.pdf Download (384kB)
	PDF BAB_II.pdf Download (771kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (636kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (332kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (349kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (658kB)
	Archive (ZIP) 00000072751_2521_LembarPengesahan.pdf Restricted to Registered users only Download (63kB)

Abstract

Work-life balance merupakan isu yang semakin banyak diperbincangkan di media sosial karena berkaitan dengan keseimbangan antara kehidupan kerja dan kehidupan pribadi yang dapat memengaruhi produktivitas, kesehatan mental, serta kualitas hidup individu. TikTok sebagai salah satu platform media sosial dengan jumlah pengguna yang besar menjadi sarana bagi masyarakat untuk menyampaikan opini terkait work-life balance. Banyak komentar yang dihasilkan menyebabkan proses analisis secara manual menjadi kurang efektif sehingga diperlukan pendekatan otomatis melalui analisis sentimen untuk memahami persepsi masyarakat terhadap isu tersebut. Penelitian ini bertujuan untuk menganalisis sentimen komentar TikTok mengenai work-life balance serta membandingkan performa model Bidirectional Long Short-Term Memory (Bi-LSTM) dan Indo Bidirectional Encoder Representations from Transformers (IndoBERT) dalam mengklasifikasikan sentimen. Penelitian menggunakan metodologi Cross Industry Standard Process for Data Mining (CRISP-DM) yang meliputi tahapan business understanding, data understanding, data preparation, modeling, evaluation, deployment. Selain analisis sentimen, penelitian juga mengidentifikasi aspek-aspek work-life balance yang terdiri dari beban kerja, fleksibilitas, kesehatan mental, gaji dan kompensasi, serta lingkungan kerja. Hasil penelitian menunjukkan bahwa model IndoBERT memiliki performa yang lebih baik dibandingkan Bi-LSTM. IndoBERT memperoleh nilai accuracy sebesar 96,35%, precision macro sebesar 94,89%, recall macro sebesar 93,11%, dan F1-score macro sebesar 93,93%. Sementara itu, model Bi-LSTM memperoleh accuracy sebesar 87,50%, precision macro sebesar 75,10%, recall macro sebesar 67,52%, dan F1-score macro sebesar 70,74%. Hasil tersebut menunjukkan bahwa IndoBERT lebih efektif dalam memahami konteks bahasa Indonesia pada komentar TikTok dan mampu menghasilkan klasifikasi sentimen yang lebih akurat dibandingkan Bi-LSTM. Penelitian ini memberikan gambaran mengenai persepsi masyarakat terhadap work-life balance serta dapat menjadi masukan bagi perusahaan dan pengambil kebijakan dalam merumuskan strategi yang mendukung keseimbangan kehidupan kerja dan kehidupan pribadi.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Aurelia Djoniwan, Clarissa (00000072751)
Contributors:	Fernando, Erick
Keywords:	Analisis Sentimen, BI-LSTM, IndoBERT, TikTok, Work-Life Balance
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	18 Jul 2026 07:57
URI:	https://kc.umn.ac.id/id/eprint/47734

Actions (login required)

View Item