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
Gozali, Muhammad Rivaro Farrelino
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 Pengguna Twitter / X Terhadap Fenomena #KaburAjaDulu Menggunakan Metode Support Vector Machine dan IndoBERT Embedding Gozali, Muhammad Rivaro Farrelino; Tibyani; Brata, Dwija Wisnu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 2 (2026): Februari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Fenomena tagar #KaburAjaDulu di platform Twitter/X mencerminkan keresahan generasi muda terhadap tekanan hidup, ketidakpastian ekonomi, serta lingkungan kerja yang tidak sehat di era modern. Penelitian ini bertujuan untuk menganalisis persepsi publik terhadap fenomena tersebut melalui pendekatan analisis sentimen berbasis pemrosesan bahasa alami (Natural Language Processing), dengan mengombinasikan IndoBERT sebagai metode embedding kontekstual dan Support Vector Machine (SVM) sebagai algoritma klasifikasi. Data penelitian terdiri dari 12.353 tweet publik yang mengandung tagar #KaburAjaDulu, dikumpulkan menggunakan alat bantu TweetHarvest dalam rentang waktu 1 Oktober 2024 hingga 30 Agustus 2025. Data kemudian di pre-processing serta dilabeli menggunakan metode automatic labelling dengan alat bantu IndoBERTweet yang kemudian divalidasi oleh tiga validator hasil automatic labelling tersebut. Hasil penelitian menunjukkan bahwa kombinasi IndoBERT dan SVM dengan kernel Linear memberikan performa terbaik dengan akurasi 95,91%, F1-score (weighted) 0,9581, dan F1-score (macro) 0,8870 pada skema 70% data latih dan 30% data uji. Analisis sentimen memperlihatkan bahwa 77,30% tweet bersentimen negatif, mencerminkan dominasi ekspresi ketidakpuasan terhadap situasi sosial-ekonomi di Indonesia. Temuan ini membuktikan efektivitas pendekatan gabungan IndoBERT dan SVM dalam menganalisis sentimen media sosial Twitter/X berbahasa Indonesia, serta memberikan wawasan empiris dan kontekstual mengenai pola persepsi serta dinamika emosi publik di ruang digital.
Co-Authors Dwija Wisnu Brata Tibyani