Analisis Perbandingan Model CNN dan IndoBERT Dalam Sentimen Berita Politik Indonesia
DOI:
https://doi.org/10.47701/v1r9ka69Keywords:
CNN, IndoBERT, Indonesian NLP, Berita Politik, Analisis SentimenAbstract
Penelitian ini membandingkan kinerja dua model deep learning, Convolutional Neural Network (CNN) dan IndoBERT, dalam mengklasifikasikan sentimen berita politik berbahasa Indonesia. Data berasal dari portal berita online dengan topik politik seperti kebijakan publik, kinerja menteri, dan konflik legislatif. Label sentimen ditentukan dengan pendekatan berbasis leksikon (positif, negatif, netral). Proses pemodelan meliputi prapemrosesan teks dan pelatihan model CNN menggunakan embedding layer serta Conv1D, sementara IndoBERT menggunakan arsitektur transformer yang telah dilatih sebelumnya. Evaluasi menggunakan akurasi, presisi, recall, dan f1-score menunjukkan IndoBERT unggul dengan akurasi 92,93%, terutama pada klasifikasi kelas netral. CNN memiliki akurasi 89,13%, namun kesulitan dalam mengklasifikasikan sentimen netral. Hasil ini menunjukkan keunggulan IndoBERT dalam klasifikasi sentimen berita politik dan potensi model berbasis transformer dalam pemrosesan bahasa alami Indonesia (Indonesian Natural Language Processing).
References
[1] N. Hariyani and A. Y. Rahmawati, “Media Sosial dan Aplikasi Kecerdasan BuatanDalam Preferensi dan Partisipasi PemilihDi Pemilihan Umum,” Jurnal Intelektual Administrasi Publik dan Ilmu Komunikasi, vol. 11, no. 2, pp. 102–111, 2024, doi: doi.org/10.55499/intelektual.v11i02.1210.
[2] C. Rizma Riendani, I. S. Raghda Atshila, A. Abhinaya,
A. Ridlo Abdillah, and B. Dzaky Mufadhol, “Pengaruh Algoritma Media Sosial terhadap Selektivitas Konsumsi Berita Politik pada Generasi Z di Indonesia,” Jurnal Pustaka Cendekia Hukum dan Ilmu Sosial, vol. 2, no. 3,
pp. 224–228, 2024, doi:
doi.org/10.70292/pchukumsosial.v2i3.68.
[3] A. Turmudi Zy, A. Nugroho, A. Rivaldi, and I.
Afriantoro, “Analisis Sentimen Terhadap Pembobolan
Data pada Twitter dengan Algoritma Naive Bayes,” Jurnal Teknologi Informatika dan Komputer, vol. 8, no. 2, pp. 202–213, Sep. 2022, doi: 10.37012/jtik.v8i2.1240.
[4] M. Khadapi et al., “Analisis Sentimen Berbasis Jaringan LSTM dan BERT terhadap Diskusi Twitter tentang Pemilu 2024,” JUKI : Jurnal Komputer dan Informatika, vol. 6, no. 2, pp. 130–137, 2024.
[5] N. Made, K. Sedana, I. Nyoman, S. Wijaya, I. Ketut, and
R. Artana, “Analisis Sentimen Berbahasa Inggris Dengan Metode LSTM Studi Kasus Berita Online Pariwisata Bali,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 11, no. 6, pp. 1325–1334, 2024, doi: 10.25126/jtiik.2024118792.
[6] H. Susanto, A. Setyanto, and A. H. Muhammad, “Analisis Sentimen Berita terhadap Bitcoin dengan Metode Klasifikasi K-Nearest Neighbor,” Jurnal Teknik Informatika, vol. 4, no. 2, p. 2024, 2024, [Online]. Available: https://en.wikipedia.org/wiki/2023#References
[7] D. S. Simatupang and Siti Nursinta, “Analisis Sentimen Terhadap Berita Hoaks Lowongan Kerja Dengan Metode Naive Bayes,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 5, no. 2, pp. 474–482, Sep. 2024, doi: 10.37859/coscitech.v5i2.7719.
[8] M. Napiah, R. D. Astuti, and E. K. Pratama, “Komparasi Algoritma Machine Learning untuk Klasifikasi Gejala Corona virus Disease 19 (Covid-19),” Computer Science (CO-SCIENCE), vol. 3, no. 2, pp. 78–83, 2023, doi:
doi.org/10.31294/coscience.v3i2.1984.
[9] Rahman Kadafi Abdul and Septi Rizqiah Alifia, “Analisis Sentimen Pengguna Twitter Terhadap Vaksin Booster Menggunakan Metode Naïve Bayes Dan K- Nearst Neighbor,” Jurnal Sains dan Teknologi, vol. 4, no. 1, pp. 1–5, 2022.
[10] P. A. Nugroho, N. Sucahyo, and I. Kurniati, “Sentimen Analisis pada Sosial Media Twitter untuk Menilai Respon Masyarakat terhadap Seleksi Kartu Prakerja,” Jurnal Teknologi Informatika dan Komputer, vol. 9, no. 1, pp. 72–83, Mar. 2023, doi: 10.37012/jtik.v9i1.862.
[11] N. Firdausy, I. Yuadi, and I. Puspitasari, “Analisis Sentimen Evaluasi Reaksi E-Learning Menggunakan Algoritma Naïve Bayes Support Vector Machine dan Deep Learning Sentiment analysis of e-learning reaction evaluations using Naïve Bayes, Support Vector Machine, and Deep Learning algorithms,” Techno.COM, vol. 22, no. 3, pp. 677–689, 2023.
[12] N. Sucahyo et al., “SWADHARMA (JRIS) ANALISIS SENTIMEN MASYARAKAT TERHADAP UU CIPTA KERJA PADA MEDIA SOSIAL TWITTER,” JURNAL REKAYASA INFORMASI SWADHARMA (JRIS), vol. 2, no. 1, pp. 63–70, 2022.
[13] A. Musthafa, T. Harmini, A. Rafiq, and N. Marantika, “Pemanfaatan Machine Learning dalam Menganalisis Sentimen Terhadap Program TAPERA di Platform Digital X,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 5, no. 2, pp. 587– 597, Mar. 2025, doi: 10.57152/malcom.v5i2.1801.
[14] S. Ahmad, A. M. Ridwan, and G. D. Setyawan, “ANALISIS SENTIMEN PRODUCT TOOLS & HOME MENGGUNAKAN METODE CNN DAN LSTM,” TEKNOKOM, vol. 6, no. 2, pp. 133–140, Aug.
2023, doi: 10.31943/teknokom.v6i2.154.
[15] J. Khatib Sulaiman, L. Septian, T. Aljauza, and C.Juliane, “Analisis Sentimen Putusan Mahkamah Konstitusi Terhadap Batas Usia Capres Dan Cawapres Menggunakan IndoBERT,” Indonesian Journal of Computer Science Attribution, vol. 12, no. 6, pp. 4428–4439, 2023.
