Analisis Perbandingan Model CNN dan IndoBERT Dalam Sentimen Berita Politik Indonesia

Ramadhan, Chandra
Atina, Vihi
Permatasari, Hanifah

Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2025

Penelitian ini membandingkan kinerja dua model deep learning, Convolutional Neural Network (CNN) dan IndoBERT, dalam mengklasifikasikan sentimen berita politik berbahasa Indonesia. Data berasal dari portal berita online dengan topik politik seperti kebijakan publik, kinerja menteri, dan konflik legislatif. Label sentimen ditentukan dengan pendekatan berbasis leksikon (positif, negatif, netral). Proses pemodelan meliputi prapemrosesan teks dan pelatihan model CNN menggunakan embedding layer serta Conv1D, sementara IndoBERT menggunakan arsitektur transformer yang telah dilatih sebelumnya. Evaluasi menggunakan akurasi, presisi, recall, dan f1-score menunjukkan IndoBERT unggul dengan akurasi 92,93%, terutama pada klasifikasi kelas netral. CNN memiliki akurasi 89,13%, namun kesulitan dalam mengklasifikasikan sentimen netral. Hasil ini menunjukkan keunggulan IndoBERT dalam klasifikasi sentimen berita politik dan potensi model berbasis transformer dalam pemrosesan bahasa alami Indonesia (Indonesian Natural Language Processing).