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
Marchelo, Nalendra
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 
Klasifikasi Sentimen Lintas Domain pada Komentar Media Sosial Menggunakan IndoBERT dengan Fine-Tuning dan Data Augmentation Marchelo, Nalendra; Fatyanosa, Tirana Noor; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 12 (2025): Desember 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Analisis sentimen pada komentar media sosial di Indonesia menghadapi tantangan signifikan akibat kompleksitas bahasa yang tidak baku dan ketidakseimbangan distribusi kelas sentimen. Model bahasa pre-trained seperti IndoBERT, yang dilatih pada korpus formal, sering kali mengalami penurunan performa (domain mismatch) ketika diterapkan langsung pada domain ini. Penelitian ini bertujuan untuk mengoptimalisasi kinerja IndoBERT melalui strategi fine-tuning pada dataset sekunder multi-domain serta menerapkan teknik augmentasi data teks, yaitu synonym replacement dan back-translation, guna mengatasi ketidakseimbangan kelas. Evaluasi dilakukan pada dataset uji held-out domain gabungan yang terdiri dari 900 data dengan tiga kelas sentimen. Hasil eksperimen menunjukkan bahwa fine-tuning mutlak diperlukan, di mana model baseline gagal mengenali sentimen dengan weighted f1-score hanya 0,3523. Penerapan fine-tuning meningkatkan kinerja secara signifikan menjadi 0,5994. Lebih lanjut, penggunaan teknik augmentasi synonym replacement terbukti menjadi strategi paling optimal dengan mencatatkan akurasi tertinggi sebesar 69,67% dan weighted f1-score 0,6714. Meskipun teknik back-translation memberikan keseimbangan deteksi kelas yang lebih baik (macro f1 0,5612), teknik ini menunjukkan gejala overfitting selama pelatihan. Penelitian menyimpulkan bahwa kombinasi fine-tuning dan augmentasi synonym replacement adalah metode yang paling efektif dan stabil untuk menangani klasifikasi sentimen lintas domain pada data yang tidak seimbang.
Co-Authors Rizal Setya Perdana Tirana Noor Fatyanosa, Tirana Noor