ANALISIS PERBANDINGAN REPRESENTASI FITUR TF-IDF, FASTTEXT, DAN BERT PADA MODEL SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI SENTIMEN KOMENTAR INSTAGRAM FOLKATIVE
DOI:
https://doi.org/10.52072/unitek.v19i01.2077Kata Kunci:
Analisis sentimen, TF-IDF, FastText, BERT, Support Vector MachineAbstrak
Analisis sentimen pada media sosial memiliki tantangan tersendiri karena penggunaan bahasa informal, bahasa gaul, sarkasme, dan kesalahan dalam penulisan yang umum ditemukan pada platform seperti Instagram. Penelitian ini bertujuan untuk menerapkan dan membandingkan tiga metode representasi fitur teks, yaitu TF-IDF sebagai baseline serta word embedding FastText dan BERT (Bidirectional Encoder Representations from Transformers), pada model Support Vector Machine (SVM) untuk klasifikasi sentimen komentar akun Instagram Folkative. Data yang digunakan berjumlah 11.914 komentar yang telah melalui proses pre-processing. Untuk pelabelan data, digunakan metode semi-otomatis berbasis lexicon-based yang divalidasi oleh pakar Bahasa Indonesia. Optimasi model dilakukan menggunakan GridSearchCV dan validasi model melalui Stratified 5-Fold Cross Validation. Hasil penelitian menunjukkan bahwa TF-IDF dengan SVM memperoleh performa terbaik dengan akurasi 87,61% menggunakan kernel RBF, diikuti FastText dengan SVM sebesar 87,54% menggunakan kernel RBF, dan BERT dengan SVM sebesar 86,38% menggunakan kernel RBF. Hasil ini menunjukkan bahwa metode yang lebih sederhana tetap dapat memberikan hasil terbaik apabila sesuai dengan karakteristik data. TF-IDF lebih efektif dalam mengklasifikasikan komentar karena komentar pada akun Instagram Folkative cenderung singkat dan mengandung kata sentimen yang eksplisit, sedangkan FastText dan BERT belum mampu memberikan peningkatan performa yang lebih tinggi pada dataset ini..
Unduhan
Referensi
Dang, N. C., Moreno-García, M. N., & De la Prieta, F. (2020). Sentiment analysis based on deep learning: A comparative study. Electronics (Switzerland), 9(3). https://doi.org/10.3390/ELECTRONICS9030483
Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2018). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. NAACL HLT 2019 - 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies - Proceedings of the Conference, 1, 4171–4186. https://arxiv.org/pdf/1810.04805
Giachanou, A., & Crestani, F. (2017). Like it or not: A survey of Twitter sentiment analysis methods. ACM Computing Surveys, 49(2). https://doi.org/10.1145/2938640
Joulin, A., Grave, É., Bojanowski, P., & Mikolov, T. (2017). Bag of Tricks for Efficient Text Classification. In the Association for Computational Linguistics (Vol. 2, pp. 427–431). https://aclanthology.org/E17-2068/
Luqyana, W. A., Cholissodin, I., & Perdana, R. S. (2018). Analisis Sentimen Cyberbullying Pada Komentar Instagram dengan Metode Klasifikasi Support Vector Machine dengan mengimplementasikan algoritma Lexicon Based Features. Berdasarkan. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(11), 4704–4713.
Metode, I., Dan, B., & Pada, S. V. M. (2025). Analisis Sentimen Game Genshin Impact. 5, 52–60.
Putra, F., Muhammad Ihsan, R., Fulaila Tahiyat, H., Efrizoni, L., & Rahmaddeni. (2024). Evaluation Of Gojek Application Performance Through User Review Word Classification Using The SVM Method. Techno.COM, 23(3), 704–715. https://www.researchgate.net/publication/383620166_Evaluasi_Performa_Aplikasi_Gojek_Melalui_Klasifikasi_Kata_Ulasan_Pengguna_Dengan_Metode_SVM
Wijaya, T. N., Indriati, R., & Muzaki, M. N. (2021). Analisis Sentimen Opini Publik Tentang Undang-Undang Cipta Kerja Pada Twitter. Jambura Journal of Electrical and Electronics Engineering, 3(2), 78–83. https://doi.org/10.37905/JJEEE.V3I2.10885
