Claim Missing Document
Check
Articles

Found 12 Documents
Search

Analisis Sentimen Berbasis Aspek pada Isu Agama di Media Sosial Tahun 2018-2024 Menggunakan BERT Nuranisa, Puput Hanifah; Sutanto, Taufik Edy; Inna, Suma
Jurnal Teknologi Informasi Vol 4, No 2 (2025): Oktober
Publisher : Universitas Teuku Umar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35308/jti.v4i2.12568

Abstract

Isu agama di media sosial semakin penting untuk dianalisis seiring meningkatnya diskusi publik yang dapat memicu konflik. Untuk menganalisis data media sosial, dapat dilakukan dengan memperhatikan topik yang sedang dibicarakan ataupun sentimen yang terkandung dalam diskusi. Namun, analisis sentimen pada isu agama seringkali terhambat oleh kompleksitas konteks, variasi bahasa, dan kesulitan dalam mengidentifikasi aspek-aspek yang terkait. Penelitian ini bertujuan untuk menganalisis sentimen berbasis aspek pada isu agama dengan 204.000 data dari Twitter, Instagram, Youtube, Facebook, Tiktok, dan Linkedln tahun 2018-2024 serta menggunakan model Bidirectional Encoder Representations from Transformers (BERT). Hasil penelitian menunjukkan bahwa BERT dapat mengidentifikasi sentimen dan aspek dengan baik, dengan akurasi 85% untuk klasifikasi sentimen dan 84% untuk klasifikasi aspek. Penelitian ini diharapkan dapat memberikan wawasan mengenai dinamika sentimen publik terhadap isu agama, yang berguna untuk pemantauan media sosial, penanganan konflik berbasis data, dan pembentukan kebijakan yang inklusif dan responsif.
Studi Empiris Model BERT dan DistilBERT Analisis Sentimen pada Pemilihan Presiden Indonesia Mahira Putri; Sutanto, Taufik Edy; Inna, Suma
The Indonesian Journal of Computer Science Vol. 12 No. 5 (2023): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i5.3445

Abstract

Peningkatan jumlah pengguna media sosial di Indonesia sejak tahun 2014 menyebabkan data yang dihasilkan semakin besar dan kompleks, sehingga komputasi yang diperlukan untuk mengolahnya juga semakin besar. Untuk melakukan komputasi pada data yang besar diperlukan model yang kompatibel, efektif, dan efisien. Penelitian ini adalah kajian numerik dari dua model terbaik Deep Learning saat paper ini ditulis, yaitu BERT dan DistilBERT pada kasus analisis sentimen menggunakan ratusan ribu tweet terkait pemilihan presiden Indonesia tahun 2014 dan 2019. Analisis yang dilakukan meliputi waktu eksekusi dan konsumsi memori. Pada model dengan nilai hyperparameter optimal, tercatat bahwa DistilBERT melakukan proses pelatihan dan prediksi 84% lebih cepat dengan penggunaan memori GPU 79% lebih efisien dengan nilai akurasi tidak terpaut jauh, yaitu 0.89 dan 0.85 untuk BERT dan DistilBERT. Hasil kajian ini dapat digunakan untuk memperkirakan besarnya sumberdaya komputasi atau biaya yang dibutuhkan ketika menggunakan model BERT atau DistilBERT pada data yang besar.