ANALISIS PSEUDO-LABELING UNTUK KLASIFIKASI SENTIMEN MENGGUNAKAN NAIVE BAYES DAN RANDOM FOREST

OKTAVIAN, ARVIDION HAVAS (2026) ANALISIS PSEUDO-LABELING UNTUK KLASIFIKASI SENTIMEN MENGGUNAKAN NAIVE BAYES DAN RANDOM FOREST. Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text 123220067_Cover - Arvidion Havas Oktavian.pdf Download (173kB)
	Text 123220067_Abstrak - Arvidion Havas Oktavian.pdf Download (190kB)
	Text 123220067_Halaman Pengesahan - Arvidion Havas Oktavian.pdf Download (196kB)
	Text 123220067_Daftar Isi - Arvidion Havas Oktavian.pdf Download (129kB)
	Text 123220067_Daftar Pustaka - Arvidion Havas Oktavian.pdf Download (167kB)
	Text 123220067_Fulltext - Arvidion Havas Oktavian.pdf Restricted to Repository staff only Download (5MB)

Abstract

Klasifikasi sentimen merupakan salah satu teknik dalam pengolahan teks yang
digunakan untuk mengidentifikasi opini pengguna terhadap suatu produk atau layanan.
Salah satu permasalahan utama dalam klasifikasi sentimen adalah keterbatasan data berlabel
yang berkualitas, yang dapat mempengaruhi performa model. Proses pelabelan data secara
manual membutuhkan waktu dan biaya yang cukup besar, terutama pada dataset dengan
jumlah data yang besar. Oleh karena itu, diperlukan pendekatan yang mampu memanfaatkan
data tidak berlabel secara efektif untuk meningkatkan performa model tanpa harus
melakukan pelabelan secara keseluruhan. Penelitian ini bertujuan untuk menganalisis
penerapan metode semi-supervised learning berbasis pseudo-labeling dalam meningkatkan
performa klasifikasi sentimen pada data ulasan pengguna.
Metode yang digunakan meliputi pengumpulan data, preprocessing, vektorisasi teks
menggunakan Count Vectorizer dan TF-IDF dengan pendekatan n-gram, pelatihan model
menggunakan Naive Bayes dan Random Forest, serta penerapan pseudo-labeling secara
iteratif dengan variasi nilai threshold dari 0,6 hingga 0,9. Dataset yang digunakan terdiri dari
dataset IndoNLU, E-commerce, dan ulasan aplikasi BCA Mobile. Evaluasi model dilakukan
menggunakan metrik accuracy dan F1-score untuk membandingkan performa sebelum dan
setelah penerapan semi-supervised learning.
Hasil penelitian menunjukkan bahwa penerapan semi-supervised learning mampu
meningkatkan performa model pada sebagian besar skenario pengujian. Pada dataset E
commerce, akurasi Naive Bayes dengan TF-IDF meningkat dari 0,913 menjadi 0,932 pada
threshold 0,9, sedangkan Random Forest meningkat dari 0,893 menjadi 0,917 pada threshold
0,6. Pada dataset IndoNLU, peningkatan akurasi tertinggi terjadi pada Random Forest
dengan TF-IDF dari 0,827 menjadi 0,838 pada threshold 0,8. Sementara itu, pada dataset
BCA Mobile, peningkatan performa relatif kecil dan cenderung fluktuatif, dengan beberapa
skenario mengalami penurunan performa. Secara keseluruhan, rata-rata akurasi meningkat
dari 0,895 menjadi 0,900 pada Naive Bayes berbasis Count Vectorizer, dan dari 0,887
menjadi 0,897 pada Random Forest berbasis TF-IDF. Hasil ini menunjukkan bahwa Random
Forest memiliki performa yang lebih stabil dalam memanfaatkan data tambahan, sementara
kualitas pseudo-label sangat dipengaruhi oleh nilai threshold yang digunakan.
Kata Kunci: Klasifikasi Sentimen, Semi-Supervised Learning, Pseudo-Labeling, Naive
Bayes, Random Forest

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	Klasifikasi Sentimen, Semi-Supervised Learning, Pseudo-Labeling, Naive Bayes, Random Forest
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	A.Md Eko Suprapti
Date Deposited:	04 Nov 2026 02:06
Last Modified:	04 Nov 2026 02:06
URI:	http://eprints.upnyk.ac.id/id/eprint/50020

Actions (login required)

View Item