OPTIMASI MODEL CNN-LSTM DENGAN FINE-TUNED EMBEDDINGS UNTUK MENINGKATKAN KINERJA ANALISIS SENTIMEN ULASAN APLIKASI TIKTOK

SUARDINI, SAFITRI KURNIA (2025) OPTIMASI MODEL CNN-LSTM DENGAN FINE-TUNED EMBEDDINGS UNTUK MENINGKATKAN KINERJA ANALISIS SENTIMEN ULASAN APLIKASI TIKTOK. Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text 2_Cover_123210095_Safitri Kurnia Suardini.pdf Download (164kB)
	Text 5_Halaman pengesahan penguji_123210095_Safitri Kurnia Suardini.pdf Download (310kB)
	Text 4_Halaman pengesahan pembimbing_123210095_Safitri Kurnia Suardini.pdf Download (295kB)
	Text 3_Abstrak_123210095_Safitri Kurnia Suardini.pdf Download (223kB)
	Text 6_Daftar isi_123210095_Safitri Kurnia Suardini.pdf Download (260kB)
	Text 7_Daftar Pustaka_123210095_Safitri Kurnia Suardini.pdf Download (186kB)
	Text 1_Skripsi Full_123210095_Safitri Kurnia Suardini.pdf Restricted to Repository staff only Download (2MB)

Abstract

Analisis sentimen merupakan pendekatan penting dalam memahami opini pengguna
terhadap suatu aplikasi digital. Salah satu tantangan dalam analisis ini adalah menangani
teks berbahasa informal dan tidak terstruktur seperti yang sering ditemukan dalam ulasan
aplikasi TikTok. Untuk mengatasi hal ini, digunakan kombinasi model CNN-LSTM dan
representasi kata dari FastText yang telah di-fine-tune agar lebih sensitif terhadap konteks
khas bahasa Indonesia yang digunakan dalam media sosial. Dataset yang digunakan terdiri
dari 3.145 ulasan pengguna aplikasi TikTok yang diperoleh dari platform Kaggle, terbagi
menjadi dua kelas sentimen yaitu positif dan negatif. Setelah melalui proses preprocessing
seperti data cleansing, case folding, tokenizing, normalisasi, stopword removal, stemming,
dilakukan pelatihan model menggunakan arsitektur CNN-LSTM. Convolutional Neural
Network (CNN) digunakan untuk mengekstraksi fitur lokal, yaitu pola-pola kata atau frasa
yang sering muncul secara berdekatan dan memiliki makna penting terhadap sentiment.
Sementara itu, Long Short-Term Memory (LSTM) digunakan untuk menangkap hubungan
urutan kata, sehingga makna kalimat secara keseluruhan tetap terjaga. Representasi kata dari
FastText disesuaikan melalui fine-tuning untuk meningkatkan kemampuan pemahaman
model terhadap istilah-istilah khas TikTok. Hasil evaluasi menunjukkan bahwa model CNN�LSTM dengan fine-tuned FastText menghasilkan akurasi sebesar 92% dan F1-score sebesar
0.92, lebih tinggi dibandingkan model tanpa fine-tuning. Kombinasi CNN-LSTM dan
FastText yang telah di-fine-tune menunjukkan potensi yang kuat dalam mengklasifikasikan
sentimen secara akurat pada ulasan pengguna, serta dapat memberikan kontribusi signifikan
dalam pengembangan sistem analisis opini berbasis kecerdasan buatan untuk aplikasi media
sosial.
Kata kunci: Analisis Sentimen, CNN-LSTM, FastText, Fine-Tuning, Ulasan TikTok

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	SAFITRI KURNIA SUARDINI (Penulis - 123210095) ; Dessyanto Boedi Prasetyo (Pembimbing)
Uncontrolled Keywords:	Analisis Sentimen, CNN-LSTM, FastText, Fine-Tuning, Ulasan TikTok
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	UPA Perpustakaan
Date Deposited:	10 Nov 2025 04:54
Last Modified:	10 Nov 2025 04:54
URI:	http://eprints.upnyk.ac.id/id/eprint/45343

Actions (login required)

View Item