ATIKA PUTRI, -
(2025)
EKSPLORASI FITUR FASTTEXT, TF-IDF DAN INDOBERT
PADA METODE K-NEAREST NEIGHBOR UNTUK
KLASIFIKASI SENTIMEN.
Jurnal Sistem Informasi, 7 (1).
pp. 49-60.
ISSN 2656 7393
Abstract
Klasifikasi sentimen penting untuk menganalisis opini publik, terutama pada isu-isu di media sosial.
Salah satu tantangan utama dalam klasifikasi sentimen adalah terbatasnya jumlah data training yang
sering kali memengaruhi performa model dalam menghasilkan prediksi yang akurat. Penelitian ini
mengkaji pengangkatan Kaesang Pengarep sebagai ketua PSI dengan metode ekstraksi fitur seperti
FastText, TF-IDF, dan IndoBERT, serta algoritma K-Nearest Neighbor (KNN). Langkah optimasi
meliputi penambahan data eksternal, konfigurasi preprocessing teks, scaling data, dan pencarian
parameter terbaik. Model baseline mencapai akurasi 44% dan F1-score 39% dengan FastText. Setelah
optimasi dan mengganti ke IndoBERT, model optimal mencapai akurasi 57% dan F1-score 49%,
meningkat 10%. Hasil ini menunjukkan bahwa optimasi, seperti ekstraksi fitur canggih dan tuning
parameter, memiliki dampak signifikan pada klasifikasi sentimen. Penelitian selanjutnya dapat fokus
pada teknik optimasi lanjutan untuk mengatasi keterbatasan data dan meningkatkan performa analisis
sentimen.
Actions (login required)
 |
View Item |
