ANALISIS SENTIMEN KOMENTAR TIKTOK TERHADAP JUDI ONLINE DI INDONESIA MENGGUNAKAN FINE-TUNING INDOBERT

GUNAWAN, ANASTASYA KAROLIEN (2026) ANALISIS SENTIMEN KOMENTAR TIKTOK TERHADAP JUDI ONLINE DI INDONESIA MENGGUNAKAN FINE-TUNING INDOBERT. Diploma thesis, UNIVERSITAS HARKAT NEGERI.

[img] Text (COVER)
COVER SKRIPSI_ANASTASYA_22166013.pdf
Download (718kB)
[img] Text (BAB I_SKRIPSI_ANASTASYA-22166013)
BAB I_SKRIPSI_ANASTASYA-22166013.pdf
Download (186kB)
[img] Text (BAB II_SKRIPSI_ANASTASYA-22166013)
BAB II_SKRIPSI_ANASTASYA-22166013.pdf
Download (4MB)
[img] Text (BAB III_SKRIPSI_ANASTASYA-22166013)
BAB III_SKRIPSI_ANASTASYA-22166013.pdf
Restricted to Registered users only
Download (4MB) | Request a copy
[img] Text (BAB IV_SKRIPSI_ANASTASYA-22166013)
BAB IV_SKRIPSI_ANASTASYA-22166013.pdf
Restricted to Registered users only
Download (4MB) | Request a copy
[img] Text (BAB V_SKRIPSI_ANASTASYA-22166013)
BAB V_SKRIPSI_ANASTASYA-22166013.pdf
Download (157kB)
[img] Text (DAFTAR PUSTAKA_SKRIPSI_ANASTASYA-22166013)
DAFTAR PUSTAKA_SKRIPSI_ANASTASYA-22166013.pdf
Download (158kB)
[img] Text (LAMPIRAN_SKRIPSI_ANASTASYA-22166013)
LAMPIRAN_SKRIPSI_ANASTASYA-22166013.pdf
Download (2MB)

Abstract

Penelitian ini bertujuan untuk merancang pipeline klasifikasi sentimen, mengevaluasi kinerja model Transformer, dan memetakan pola opini publik mengenai isu judi online di Indonesia berdasarkan komentar TikTok. Dataset awal sebanyak 99.065 komentar disaring melalui tahap preprocessing (cleaning, normalisasi slang, serta filtering komentar pendek dan bot-like) hingga menghasilkan 73.782 data valid. Pelabelan otomatis dilakukan menggunakan pendekatan Domain-Specific Lexicon (weak supervision) yang mengategorikan data ke dalam kelas Netral (71,8%), Positif (19,9%), dan Negatif (8,3%). Dataset dibagi menggunakan Stratified Sampling dengan rasio 70:15:15. Untuk mengatasi masalah ketidakseimbangan kelas ekstrem (extreme class imbalance), proses fine-tuning model IndoBERT-base-p1 dioptimalkan menggunakan Custom WeightedTrainer dengan pembobotan kelas inverse frequency. Hasil evaluasi pada test set menunjukkan model IndoBERT mencapai Accuracy sebesar 99,28% dan Macro F1-Score sebesar 98,90%, secara signifikan mengungguli model baseline TF-IDF + LinearSVC (Macro F1-Score 93,72%). Capaian tinggi ini mencerminkan efektivitas model dalam mempelajari dan mereplikasi pola pelabelan leksikon (weak supervision), bukan keakuratan sentimen terhadap ground truth anotasi manusia asli. Pembahasan pola narasi mengindikasikan bahwa dominasi kelas Netral berpotensi merepresentasikan fenomena information fatigue, diikuti kelas Positif yang didominasi desakan pemblokiran infrastruktur digital, serta kelas Negatif yang menyoroti dampak sosial korban dan kritik penegakan hukum. Kesimpulannya, integrasi leksikon domain-spesifik dan WeightedTrainer pada IndoBERT terbukti robust dalam menangani teks informal yang tidak seimbang, serta memberikan referensi berbasis bukti bagi regulator dalam merumuskan kebijakan publik. Kata kunci: Analisis Sentimen, IndoBERT, Fine-Tuning, Judi Online, TikTok.

Item Type: Thesis (Diploma)
Subjects: T Technology
Divisions: Fakultas Sains & Teknologi > S1 Sistem Informasi
Depositing User: Anastasya Karolien Gunawan
Date Deposited: 12 Oct 2026 08:03
Last Modified: 12 Oct 2026 08:03
URI: http://repository.harkatnegeri.ac.id/id/eprint/8387

Actions (login required)

View Item View Item