| dc.description.abstract | TikTok merupakan salah satu platform media sosial yang banyak digunakan
masyarakat untuk menyampaikan pendapat, termasuk mengenai game Roblox.
Roblox sendiri menjadi topik yang cukup kontroversial karena munculnya berbagai
kekhawatiran terkait keamanan platform ini, seperti paparan konten yang tidak
sesuai usia, interaksi dengan pihak asing yang tidak terkontrol, hingga praktik
monetisasi yang dianggap dapat mengeksploitasi pengguna muda, sehingga
menimbulkan kekhawatiran di kalangan orang tua dan masyarakat luas. Tingginya
volume komentar pengguna terkait isu-isu tersebut mendorong perlunya
pendekatan otomatis dalam menganalisis sentimen secara efisien dan objektif.
Penelitian ini bertujuan mengklasifikasikan sentimen komentar pengguna TikTok
terhadap game Roblox ke dalam dua kategori yaitu Positif dan Negatif,
menggunakan kombinasi IndoBERT embedding sebagai representasi teks dan Long
Short-Term Memory (LSTM) sebagai algoritma klasifikasi. Untuk mengatasi
ketidakseimbangan kelas pada data, diterapkan metode Synthetic Minority
Oversampling Technique (SMOTE) yang berhasil meningkatkan jumlah data
training dari 5.836 menjadi 9.710 data. Proses hyperparameter tuning dilakukan
menggunakan metode Hyperband dan menghasilkan kombinasi parameter terbaik
dengan nilai val_accuracy sebesar 0,923235. Model yang dilatih ulang
menggunakan kombinasi parameter terbaik tersebut menghasilkan akurasi
pelatihan sebesar 99,03% dan akurasi validasi sebesar 97,94%. Evaluasi model
terhadap 1.824 data testing menghasilkan akurasi keseluruhan sebesar 91,72%,
dengan nilai precision, recall, dan F1-score untuk kelas Negatif masing-masing
sebesar 93,06%, 97,30%, dan 95,13%, serta untuk kelas Positif sebesar 82,77%,
64,17%, dan 72,29%. Hasil penelitian menunjukkan bahwa kombinasi IndoBERT
embedding dan LSTM mampu melakukan klasifikasi sentimen komentar berbahasa
Indonesia dengan baik, meskipun masih terdapat ruang untuk peningkatan pada
deteksi kelas minoritas. | en_US |
