Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal TIMES JOISIE (Journal Of Information Systems And Informatics Engineering)
Muhamad Fazri
Universitas Singaperbangsa Karawang
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
ANALISIS SENTIMEN PUBLIK TERHADAP DANANTARA DI MEDIA SOSIAL X MENGGUNAKAN NLP DAN PEMBELAJARAN MESIN Muhamad Fazri; Apriade Voutama
JOISIE (Journal Of Information Systems And Informatics Engineering) Vol. 9 No. 1 (2025)
Publisher : Institut Bisnis dan Teknologi Pelita Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35145/joisie.v9i1.4924

Abstract

Danantara merupakan isu nasional yang tengah menjadi sorotan publik di media sosial X (sebelumnya Twitter) karena keterkaitannya dengan proyek strategis dan dampak sosial-ekonomi yang luas. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap Danantara menggunakan pendekatan Natural Language Processing (NLP) berbasis semi-supervised learning dengan menggabungkan metode K-Means Clustering untuk pelabelan otomatis dan model klasifikasi Support Vector Machine (SVM) serta Bidirectional Encoder Representations from Transformers (BERT). Sebanyak 2.009 tweet berbahasa Indonesia dikumpulkan dan diproses melalui tahapan preprocessing yang mencakup pembersihan, tokenisasi, stopword removal, dan stemming. Hasil pelabelan menunjukkan distribusi sentimen yang tidak seimbang, dengan dominasi negatif sebesar 87,0%, netral 3,6%, dan positif 9,4%. Visualisasi word cloud memperlihatkan kata-kata dominan bernuansa kritik seperti “bumn”, “korupsi”, dan “investasi”. Evaluasi performa model menunjukkan bahwa SVM memberikan akurasi tertinggi sebesar 98%, sedangkan BERT hanya mencapai 25%. Rendahnya performa BERT disebabkan oleh keterbatasan jumlah data, distribusi kelas yang tidak seimbang, serta kompleksitas bahasa informal dalam tweet. Temuan ini menunjukkan bahwa pendekatan TF-IDF + SVM lebih tepat digunakan untuk analisis opini publik di media sosial berbahasa Indonesia, terutama ketika data terbatas dan tidak berlabel. Kontribusi utama penelitian ini terletak pada penerapan pendekatan semi-supervised untuk menganalisis isu lokal menggunakan kombinasi teknik unsupervised dan supervised learning yang belum banyak dieksplorasi dalam konteks NLP Indonesia.
ASPECT BASED SENTIMENT ANALYSIS TERHADAP PERTAMINA PADA PLATFORM X MENGGUNAKAN INDOBERTWEET Muhamad Fazri; Nono Heryana; Ahmad Khusaeri
Jurnal TIMES Vol 15 No 1 (2026): Jurnal TIMES
Publisher : STMIK TIME

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51351/jtm.15.1.2026934

Abstract

Penelitian ini bertujuan menganalisis opini publik terhadap Pertamina melalui platform X menggunakan pendekatan Aspect-Based Sentiment Analysis (ABSA) dengan model IndoBERTweet. Data cuitan berbahasa Indonesia dikumpulkan periode September–Oktober 2025 menggunakan tweet-harvest v2.6.1 dengan kata kunci "Pertamina lang:id". Penelitian menggunakan kerangka Knowledge Discovery in Database (KDD) yang mencakup pengumpulan data, preprocessing, ekstraksi aspek, klasifikasi sentimen, dan analisis hasil. Ekstraksi aspek menggunakan pendekatan keyword-based menghasilkan lima aspek: Harga BBM, Kualitas BBM, Pelayanan SPBU, Kebijakan Pertamina, dan Umum. Dari 7.486 cuitan mentah diperoleh 6.642 cuitan bersih, kemudian dihasilkan 8.198 data setelah replikasi multi-aspek. Klasifikasi sentimen dilakukan menggunakan model IndoBERTweet pretrained secara otomatis. Hasil menunjukkan sentimen Negatif mendominasi 45,22% (3.707 data), Netral 42,17% (3.457 data), dan Positif 12,61% (1.034 data). Aspek Kebijakan Pertamina (55,4%) dan Kualitas BBM (55,0%) mencatat proporsi negatif tertinggi, sedangkan aspek Umum memiliki distribusi paling berimbang dengan positif tertinggi (28,2%). Temuan ini digunakan sebagai dasar rekomendasi strategis peningkatan layanan dan komunikasi publik Pertamina.
Co-Authors Ahmad Khusaeri Apriade Voutama Heryana, Nono