Jerandu, Charmelia Yunizar (2026) ASPECT-BASED SENTIMENT ANALYSIS TERHADAP KEBIJAKAN EFISIENSI ANGGARAN PADA MEDIA SOSIAL X MENGGUNAKAN PENDEKATAN DEEP LEARNING. Masters thesis, UNIVERSITAS ATMA JAYA YOGYAKARTA.
245313075_Bab 0.pdf
File Pdf (403kB)
245313075_Bab 1.pdf
File Pdf (535kB)
245313075_Bab 2.pdf
File Pdf (402kB)
245313075_Bab 3.pdf
Restricted to Registered users only
File Pdf (872kB)
245313075_Bab 4.pdf
Restricted to Registered users only
File Pdf (542kB)
245313075_Bab 5.pdf
Restricted to Registered users only
File Pdf (2MB)
245313075_Bab 6.pdf
Restricted to Registered users only
File Pdf (434kB)
245313075_Bab 7.pdf
File Pdf (392kB)
Abstract
Media sosial telah menjadi sumber informasi penting untuk memahami respons
masyarakat terhadap kebijakan pemerintah. Namun, analisis sentimen
konvensional hanya mampu mengidentifikasi polaritas sentimen secara
keseluruhan tanpa menangkap aspek kebijakan yang mendasari opini masyarakat.
Penelitian ini mengusulkan kerangka Aspect-Based Sentiment Analysis (ABSA)
berbasis Named Entity Recognition (NER) untuk menganalisis opini publik
mengenai Kebijakan Efisiensi Anggaran menggunakan data dari media sosial X.
Gold-standard dataset dibangun melalui anotasi manual berdasarkan annotation
guideline yang disusun mengacu pada teori evaluasi kebijakan William N. Dunn
dan divalidasi oleh dua pakar menggunakan Fleiss' Kappa, yang menunjukkan
tingkat kesepakatan anotasi sangat tinggi. Empat model Deep Learning berbasis
sequence labeling, yaitu SimpleRNN-CRF, BiGRU-CRF, BiLSTM-CRF, dan
Transformer Encoder-CRF, dibandingkan menggunakan metrik Exact Span
Matching dan Partial Span Matching. Hasil penelitian menunjukkan bahwa
BiLSTM-CRF memberikan performa paling seimbang dengan memperoleh
Validation Combined F1-Score tertinggi sebesar 0,6046 serta performa yang
konsisten pada kedua metrik evaluasi, sedangkan Transformer Encoder-CRF
memperoleh Partial F1-Score tertinggi sebesar 0,8120, yang menunjukkan
kemampuan terbaik dalam mengenali lokasi entitas. Penambahan ukuran dataset meningkatkan Exact F1-Score BiLSTM-CRF dari 0,4138 menjadi 0,4400, sementara model lainnya menunjukkan peningkatan yang relatif kecil atau mengalami penurunan performa. Analisis kesalahan menunjukkan bahwa False Negative dan boundary detection error merupakan sumber kesalahan yang paling dominan, sehingga penentuan batas entity span masih menjadi tantangan utama pada ekstraksi aspek berbasis NER untuk domain kebijakan publik berbahasa Indonesia.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | Aspect-Based Sentiment Analysis, Named Entity Recognition, Deep Learning, Kebijakan Publik, Media Sosial X, Conditional Random Field. |
| Subjects: | Magister Teknik Informatika > Soft Computing |
| Divisions: | Pasca Sarjana > Magister Teknik Informatika |
| Date Deposited: | 02 Nov 2026 06:07 |
| Last Modified: | 02 Nov 2026 06:07 |
| URI: | https://repository.uajy.ac.id/id/eprint/38076 |
