Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Gema Adzani, Irsyad
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Sentimen Komentar Pembaca Webtoon Dengan Metode SVM dan Zero-Shot Learning Berbasis Word Embeddings (Studi Kasus Webtoon Omniscient Reader) Gema Adzani, Irsyad; Pandu Adikara, Putra; Noor Fatyanosa, Tirana
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 08 (2026): Agustus 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Tuntutan industri webtoon untuk terus mempertahankan jumlah pembaca merupakan tantangan bagi setiap kreator webtoon. Di tengah tenggat waktu rilis episode baru mingguan, para kreator harus terus memantau komentar webtoon untuk memastikan karyanya mendapatkan respon bagus dari pembaca. Penelitian mengenai analisis sentimen komentar pembaca webtoon ini dilakukan untuk memberikan pilihan metode kepada kreator webtoon dalam mengevaluasi karyanya berdasarkan komentar pembaca. Data komentar webtoon yang digunakan pada penelitian ini merupakan 500 data komentar dari sepuluh episode pertama webtoon berjudul Omniscient Reader. Pelabelan data dilakukan oleh pakar bahasa Inggris untuk memberi label positif dan negatif. Data diolah dengan melakukan ekstraksi fitur menggunakan RoBERTa. Hasil ekstraksi fitur digunakan untuk membuat model klasifikasi Support Vector Machine. Klasifikasi dilakukan dengan menggunakan SVM dengan algoritma optimasi SMO. Hasil klasifikasi SVM dibandingkan dengan hasil klasifikasi zero-shot learning pada Large Language Model (LLM). Akurasi SVM pada penelitian ini berhasil memprediksi dengan tingkat akurasi sebesar 91%., sedangkan zero-shot learning dengan LLM pada penelitian ini memiliki rentang 54% hingga 92% dipengaruhi oleh perintah pada prompt. 
Co-Authors Noor Fatyanosa, Tirana Pandu Adikara, Putra