Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Ticom: Technology of Information and Communication
Fakhrezi Fajris
Unknown Affiliation
Computer Science & IT

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

Found 1 Documents
Search

 1 
Analisis Sentimen Terhadap Komentar Video Short YouTube Mengenai Paylater Menggunakan Algoritma Bert Fakhrezi Fajris; Imelda Imelda
Jurnal Ticom: Technology of Information and Communication Vol 13 No 2 (2025): Jurnal Ticom-Januari 2025
Publisher : Asosiasi Pendidikan Tinggi Informatika dan Komputer Provinsi DKI Jakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70309/ticom.v13i2.144

Abstract

Youtube Short sebagai salah satu fitur yang populer, dalam Youtube Short pengguna bisa menonton video pendek berdurasi singkat 15-60 detik dan penonton juga bisa berkomentar di dalam kolom komentar. Topik yang hangat dibahas di Youtube Short adalah Paylater, Topik Paylater juga dibahas dalam video Youtube short dari akun Raymond Chin yang berjudul “Kartu Kredit Kalah Populer Sama Paylater”, Menurut PT Pefindo Biro Kredit (IDScore), Kredit macet layanan paylater mencapai Rp2,12 triliun per Desember 2023. Berdasarkan hal tersebut penelitian analisis sentimen ini menggunakan model fine tuning BERT dengan data penelitian yang bersumber dari komentar video Short Youtube dari akun Raymond Chin yang berjudul “Kartu Kredit Kalah Populer Sama Paylater” berjumlah 326 komentar. Tujuan yang ingin dicapai dalam penelitian ini ialah untuk mengetahui tahapan perancangan analisis sentimen terhadap paylater melalui komentar dalam video Youtube Short menggunakan metode algoritma BERT. Kontribusi penelitian ini adalah penggunaan metode BERT (Bidirectional Encoder Representations from Transformers) untuk analisis sentimen terhadap komentar video Youtube short mengenai Paylater. Hasil penelitian ini menunjukan metode fime-tuning BERT memiliki akurasi keseluruhan model adalah 58%. Presisi untuk kelas positif adalah 48% dan presisi untuk kelas negatif hanya 88% Kelas Positif Recall untuk kelas positif adalah 92% dan recall untuk kelas negatif hanya 35%. Secara keseluruhan, model algoritma BERT ini menunjukkan kinerja yang cukup baik tapi perlu ada peningkatan karena adanya nilai yang rendah untuk bagian recall kelas negatif dan presisi kelas positif.
Co-Authors Imelda Imelda