<![CDATA[Media sosial menjadi salah satu ruang utama ekspresi opini dan emosi masyarakat Indonesia. Berbagai pandangan, keluhan, dukungan, maupun refleksi pribadi sering dituangkan dalam bentuk teks pendek seperti caption dan kutipan (quotes). Teks-teks ini tidak hanya memuat informasi, tetapi juga sentimen yang dapat menggambarkan sikap pengguna terhadap suatu isu. Penelitian ini bertujuan untuk mengembangkan model analisis sentimen kutipan media sosial berbahasa Indonesia menggunakan Convolutional Neural Network (CNN) dan membandingkannya dengan pendekatan klasifikasi klasik berbasis Term Frequency–Inverse Document Frequency (TF-IDF) dan Logistic Regression. Data yang digunakan berasal dari dataset terbuka opini publik di media sosial terkait pasar saham Indonesia. Dari dataset tersebut dipilih secara seimbang 1.200 kutipan berbahasa Indonesia, masing-masing 400 berlabel negatif, 400 netral, dan 400 positif. Tahapan penelitian meliputi pembersihan teks, normalisasi, tokenisasi, pembagian data latih dan uji (80:20), pembentukan vektor TF-IDF sebagai baseline, pembentukan urutan indeks kata untuk CNN, perancangan arsitektur text-CNN dengan tiga kernel konvolusi paralel, serta evaluasi model menggunakan akurasi, precision, recall, F1-score, dan confusion matrix. Model baseline TF-IDF + Logistic Regression menghasilkan akurasi 66% dengan macro F1-score 0,66 pada data uji. CNN varian awal (CNN V1) memberikan performa sebanding dengan akurasi 65% dan macro F1-score 0,65, namun menunjukkan gejala overfitting. Setelah kapasitas model dikurangi dan regularisasi diperkuat (CNN V2), kinerja meningkat menjadi akurasi 67,5% dan macro F1-score 0,67, sedikit melampaui baseline klasik. Hasil ini mengindikasikan bahwa CNN mampu menangkap pola n-gram lokal pada kutipan secara efektif, meskipun keunggulannya terhadap pendekatan klasik masih terbatas pada skala data yang relatif kecil.]]>
