Peningkatan Kinerja IndoBERT melalui Pseudo-Labelling untuk Analisis Sentimen Komentar YouTube terhadap Mobil Listrik

Athar Ilazuard, Raditya (2026) Peningkatan Kinerja IndoBERT melalui Pseudo-Labelling untuk Analisis Sentimen Komentar YouTube terhadap Mobil Listrik. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_I.pdf Download (228kB)
	PDF BAB_II.pdf Download (228kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (262kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (223kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (204kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (358kB)
	Archive (ZIP) 00000082732_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Maraknya jumlah mobil listrik yang muncul di Indonesia selama lima tahun ke belakang ini mendapatkan tanggapan yang banyak dari warganet terutama dalam platform Youtube yang menjadi sumber data dengan gaya bahasa informal yang digunakan pada komentarnya. Penelitian ini bertujuan untuk membuktikan adanya peningkatan dari perbandingan dua metode pelabelan otomatis untuk analisis sentimen. Pendekatan berbasis kamus (Leksikon InSet) sebagai baseline dan pseudo-labelling dengan model mdhugol/indonesia-bert-sentiment-classification sebagai metode usulan. Pengumpulan data diambil dari tujuh video Youtube terkait mobil listrik, mendapatkan 4.951 komentar mentah yang kemudian disaring relevansinya menjadi 2.416 komentar. Setelah tahap preprocessing yang seragam, kedua metode diterapkan untuk menghasilkan label sentimen (positif, netral, negatif). Setiap dataset kemudian digunakan untuk fine-tuning model IndoBERT Base Uncased dengan konfigurasi yang identik, termasuk penerapan class weighting untuk menangani ketidakseimbangan kelas. Analisis distribusi label mengungkapkan bahwa metode leksikon sangat didominasi oleh kelas netral akibat keterbatasan dalam menangkap konteks, sedangkan pseudo-labelling menghasilkan pemisahan kelas yang lebih tegas. Hasil evaluasi pada data uji menunjukkan bahwa model yang dilatih dengan pseudo-labelling mencapai akurasi sebesar 74.79% dan F1-Macro 73.82%, mengungguli model berbasis leksikon yang hanya memperoleh akurasi 69.01% dan F1-Macro 67.69%. Peningkatan sebesar 5.78% dalam akurasi dan 6.13% dalam F1-Macro. Evaluasi tambahan pada 300 data uji manual (ground truth) menunjukkan bahwa pseudo-labelling tetap lebih unggul dengan akurasi 56,3% dibandingkan leksikon yang hanya mencapai 27,7%, atau peningkatan sebesar +28,6%. Temuan ini membuktikan bahwa pelabelan otomatis berbasis transformer dapat meningkatkan kualitas data latih dan performa model analisis sentimen secara signifikan, serta memiliki tingkat validitas yang lebih tinggi terhadap penilaian manual.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Athar Ilazuard, Raditya (00000082732)
Contributors:	Wiratama, Yustinus Widya (0305128901)
Keywords:	Analisis Sentimen, IndoBERT, Pseudo-labelling, Leksikon, Komentar Youtube, Mobil Listrik
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	28 Jul 2026 12:19
URI:	https://kc.umn.ac.id/id/eprint/48459

Actions (login required)

View Item