##plugins.themes.academic_pro.article.main##

Penerapan Metode Transfer Learning Pada Indobert Untuk Analisis Sentimen Teks Bahasa Jawa Ngoko Lugu

Abstract

Peningkatan signifikan dalam penggunaan media sosial dan platform online di Indonesia telah menyebabkan lonjakan produksi dan penyebaran teks dalam berbagai bahasa daerah, termasuk Bahasa Jawa. Hal ini menciptakan kebutuhan mendesak akan sistem analisis sentimen yang dapat memahami nuansa Bahasa Jawa dalam konteks opini dan ekspresi pengguna. Penelitian ini bertujuan untuk menerapkan metode transfer learning pada model IndoBERT, dengan fokus pada evaluasi kinerjanya dalam tugas analisis sentimen teks Bahasa Jawa Ngoko Lugu. Hasil penelitian menunjukkan bahwa model IndoBERT mencapai akurasi, presisi, recall, dan F1-Score yang tinggi dalam mengidentifikasi sentimen positif dan negatif dalam teks Bahasa Jawa Ngoko Lugu, dengan tingkat akurasi 99% pada data pelatihan, 90% pada data validasi, dan 90% pada data uji. Hasil ini menunjukkan efektivitas model IndoBERT dalam memprediksi sentimen dengan dua kelas (“positif” dan “negatif”) dalam teks Bahasa Jawa Ngoko Lugu menggunakan metode transfer learning dan fine-tuning.

##plugins.themes.academic_pro.article.details##

How to Cite
[1]
A. Prabowo and F. Indra Sanjaya, “Penerapan Metode Transfer Learning Pada Indobert Untuk Analisis Sentimen Teks Bahasa Jawa Ngoko Lugu”, simkom, vol. 9, no. 2, pp. 205-217, Jul. 2024.

References

A. Riyanto, “Hootsuite (We are Social): Data Digital Indonesia 2024.” Accessed: Jun. 11, 2024. [Online]. Available: https://andi.link/hootsuite-we-are-social-data-digital-indonesia-2024/

H. Rani, E. Retnaningtyas, and U. M. Merauke, “Bahasa Jawa Sebagai Identitas Generasi Muda Masyarakat Pendatang Dari Jawa DI Merauke,” vol. 6, no. 2, pp. 198–212, 2022, doi: https://doi.org/10.20961/hsb.v6i2.60616.

A. Bambang, H. Balai, B. Provinsi, S. Utara, and J. Kolam, “Analisis Kontrastif Afiksasi Verba Bahasa Jawa Dengan Bahasa Indonesia (Affixation Contrastive Analysis Between Javanese Language and Indonesian Language),” 2015. doi: https://doi.org/10.26499/mm.v13i1.1221.

S. Suhardi and J. Santoso, “Analisis Kontrastif Bahasa Indonesia, Jawa, Dan Banjar Sebagai Dasar Penyusunan Model Pembelajaran Bahasa Indonesia Permulaan,” LITERA, vol. 10, no. 2, 2013, doi: 10.21831/ltr.v10i2.1160.

G. Angeline, A. P. Wibawa, and U. Pujianto, “Klasifikasi Dialek Bahasa Jawa Menggunakan Metode Naives Bayes,” Jurnal Mnemonic, vol. 5, no. 2, pp. 103–110, 2022, doi: 10.36040/mnemonic.v5i2.4748.

B. Rakajati and E. Y. Hidayat, “Perbandingan Metode Naïve Bayes dan Support Vector Machine Pada Klasifikasi 22 Bahasa Daerah,” 2024, doi: 10.30865/mib.v8i1.7236.

A. A. Arifiyanti, D. S. Y. Kartika, and C. J. Prawiro, “Using Pre-Trained Models for Sentiment Analysis in Indonesian Tweets,” in Proceedings - International Conference on Informatics and Computational Sciences, Institute of Electrical and Electronics Engineers Inc., 2022, pp. 78–83. doi: 10.1109/ICICoS56336.2022.9930599.

K. S. Nugroho, A. Y. Sukmadewa, H. Wuswilahaken Dw, F. A. Bachtiar, and N. Yudistira, “BERT Fine-Tuning for Sentiment Analysis on Indonesian Mobile Apps Reviews,” ACM International Conference Proceeding Series, pp. 258–264, 2021, doi: 10.1145/3479645.3479679.

H. Imaduddin, F. Y. A’la, and Y. S. Nugroho, “Sentiment Analysis in Indonesian Healthcare Applications using IndoBERT Approach,” International Journal of Advanced Computer Science and Applications, vol. 14, no. 8, pp. 113–117, 2023, doi: 10.14569/IJACSA.2023.0140813.

Zaid Alyaeai, Maged Saeed AlShaibani, and Irfan Ahmad, “Transfer Learning in Natural Language Processing: A Survey,” Mathematical Statistician and Engineering Applications, 2020, doi: 10.17762/msea.v70i1.2312.