PENERAPAN FINE-TUNING INDOBERTA DALAM KLASIFIKASI SENTIMEN BERITA DIGITAL BERBAHASA INDONESIA

• Desi Masdin Dama

---

ABSTRAK

ABSTRAK

Setiap harinya, terdapat ribuan artikel berita dipublikasikan oleh berbagai portal berita nasional, yang masing-masing memiliki gaya bahasa, pendekatan jurnalistik, serta framing (pembingkaian informasi) yang beragam. Pendekatan manual yang dilakukan untuk membaca dan mengkaji ribuan berita tentu memerlukan waktu, tenaga dan sumber daya yang besar. Realitas tersebut menimbulkan kebutuhan terhadap pendekatan otomatis yang mampu mengidentifikasi dan mengklasifikasikan sentimen secara cepat dan akurat, yang tidak hanya berguna untuk mendeteksi kecenderungan opini publik, tetapi juga membantu dalam mengidentifikasi potensi bias atau kecenderungan opini publik terhadap isu tertentu. Penelitian ini menggunakan pendekatan kuantitatif dengan metode eksperimen untuk menguji secara sistematis performa model klasifikasi sentimen pada berita digital. Dengan memanfaatkan teknologi kecerdasan buatan, khususnya Natural Language Processing (NLP), penelitian ini menerapkan model IndoBERTa yang telah melalui proses finetuning untuk melakukan klasifikasi sentimen pada berita digital dengan mengacu pada kerangka kerja CRISP-DM yang terdiri dari enam tahapan. Berdasarkan hasil evaluasi, model menunjukkan performa tinggi dengan Accuracy dan Cohen’s Kappa sebesar 98%, yang berarti bahwa distribusi dari klasifikasi sentimen menunjukkan bahwa model mampu menangkap konteks topik berita. Berdasarkan hal tersebut, untuk mendukung penerapannya, model ini diintegrasikan ke dalam pipeline berbasis Streamlit yang mengotomatisasi proses mulai dari pengumpulan berita, klasifikasi sentimen, hingga visualisasi dan ekspor hasil analisis.

Kata Kunci: Berita Digital, Analisis Sentimen, NLP, IndoBERTa, Fine-Tuning

KATA KUNCI

PENERAPAN FINE-TUNING,KLASIFIKASI SENTIMEN BERITA DIGITAL

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

S. Kemp, “Digital 2024: Global Overview Report,” Data Reportal. Accessed: Jun. 03, 2025. [Online]. Available: https://datareportal.com/reports/digital2024-global-overview-report Soft

R. Chandra, B. Zhu, Q. Fang, and E. Shinjikashvili, “Large language models for sentiment analysis of newspaper articles during COVID-19: The Guardian,” Applied Computing Journal, vol. 171, Jan. 2025, doi: 10.1016/j.asoc.2025.112743.

M. Alam, A. Iana, A. Grote, K. Ludwig, P. Müller, and H. Paulheim, “Towards Analyzing the Bias of News Recommender Systems Using Sentiment and Stance Detection,” WWW 2022 - Companion Proceedings of the Web Conference 2022, pp. 448–457, Mar. 2022, doi: 10.1145/3487553.3524674.

Zulham, F. A. Lubis, D. Priyono, Fauzan, S. Julina, and D. A. Deryansyah, “Framing Media dalam Berita Kontroversial: Studi Kasus pada Kasus-Kasus Politik atau Sosial,” Jurnal Review Pendidikan dan Pengajaran, vol. 7, no. 3, 2024, Accessed: May 06, http://journal.universitaspahlawan.ac.id/index.php/jrpp 2025. [Online]. Available:

A. R. Hanum et al., “Analisis Kinerja Algoritma Klasifikasi Teks BERT dalam Mendeteksi Berita Hoaks,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 11, no. 36, pp. 537–546, Jun. 2024, doi: 10.25126/jtiik938093.

K. Kirtac and G. Germano, “Sentiment trading with large language models,” Financ Res Lett, vol. 62, Mar. 2024, doi: 10.1016/j.frl.2024.105227.

Syahrudin, F. A. Artanto, A. R. Maulana, and Filsafat, “Metode Support Vector Digital, Machine (SVM) dan Lexicon-Based dalam Analisis Sentiment Ulasan Pengguna Aplikasi Wink,” JUMINTAL: Jurnal Manajemen Informatika dan Bisnis vol. 4, 10.55123/jumintal.v4i1.5236. no. 1, pp. 59–73, May 2025, doi:

F. J. Rodrigo-Ginés, J. Carrillo-de-Albornoz, and L. Plaza, “A systematic review on media bias detection: What is media bias, how it is expressed, and how to detect it,” Expert Syst Appl, vol. 237, 2024, doi: 10.1016/j.eswa.2023.121641.

A. Mahendra and S. Styawati, “Implementasi Lowk-Rank Adaptation of Large Langauage Model (LoRA) Untuk Effisiensi Large Language Model,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 9, no. 4, pp. 1881–1890, Nov. 2024, doi: 10.29100/jipi.v9i4.5519.

M. E. Syahputra, A. Putera Kemala, and D. Ramdhan, “Clickbait Detection in Indonesia Headline News Using Indobert and Roberta,” JURNAL RISET INFORMATIKA, vol. 5, no. 3, Jun. 2023, doi: 10.34288/jri.v5i3.237. 74

C. H. Lin and U. Nuha, “Sentiment analysis of Indonesian datasets based on a hybrid deep-learning strategy,” J Big Data, vol. 10, no. 1, Dec. 2023, doi: 10.1186/s40537-023-00782-9.

D. Dwi Saputra, R. Fahlapi, A. Yadi Kuntoro, and T. Asra, “Analisis Sentimen Terhadap Twitter Direktorat Jenderal Bea dan Cukai Menggunakan komparasi Algoritma Naïve Bayes dan Support Vector Machine,” J-INTECH (Journal of Information and Technology), pp. 285–296, 2024.

A. S. Aribowo and S. Khomsah, “Implementation Of Text Mining For Emotion Detection Using The Lexicon Method (Case Study: Tweets About Covid-19) Implementasi Text Mining Untuk Deteksi Emosi Menggunakan Metode Leksikon (Studi Kasus: Twit Tentang Covid-19),” Jurnal Informatika dan Teknologi Informasi, vol. 18, no. 1, pp. 49–60, Feb. 2021, doi: 10.31515/telematika.v18i1.4341.

S. H. Caryarini, F. Adibha, M. K. Luthfi, A. R. Arfianti, and P. K. Nisa, “Konglomerasi Media (Koran Kompas) ke Berita Digital Terhadap Masyarakat,” Jurnal Ilmiah Research and Development Student, vol. 2, no. 2, pp. 103–116, May 2024, doi: 10.59024/jis.v2i2.757.

G. J. Wiladi and M. D. Afrianti, “Pengaruh Literasi Media Digital Terhadap Tindakan Penyebaran Berita Palsu Pada Mahasiswa Universitas Bhayangkara,” Jurnal Ilmiah Wahana Pendidikan, vol. 10, no. 21, pp. 352–360, Nov. 2024, doi: 10.5281/zenodo.14405369.

J. Lantowa and R. Idul, “Representasi Aksi Sosial dalam Konstruksi Ideologi Media Berita Digital Terkait Kebijakan Pemerintah Selama Pandemi,” Ranah: Jurnal Kajian Bahasa, vol. 12, no. 1, pp. 87–100, Jun. 2023, doi: 10.26499/rnh.v12i1.5269.

O. Mailani, I. Nuraeni, S. A. Syakila, and J. Lazuardi, “Bahasa Sebagai Alat Komunikasi Dalam Kehidupan Manusia,” KAMPRET Journal, vol. 1, no. 2, pp. 1–10, Jan. 2022, [Online]. Available: www.plus62.isha.or.id/index.php/kampret

Y. Salim and M. Hasnawi, “Konversi Bahasa Indonesia ke Perintah Data Manipulation Language pada Structured Query Language menggunakan Natural Language Processing,” Buletin Sistem Informasi dan Teknologi Islam, vol. 3, no. 3, pp. 181–187, Aug. 2022, Accessed: May 22, 2025. [Online]. Available: https://garuda.kemdikbud.go.id/documents/detail/3106930

I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning, B. MIT Press, 2016. [20] R. Danar, D. M. Kom, M. M. Kom, A. Bahtiar, M. Kom, and I. Ali, Dasar Dasar Natural Language Processing (NLP), 1st ed. Minhaj Pustaka, 2024.

F. H. Rachman, Komputasi Bahasa Alami. Malang: Media Nusa Creative (MNC Publishing), 2020. Accessed: May 22, 2025. [Online]. Available: https://play.google.com/store/books/details?id=Gn5JEAAAQBAJ&rdid=bookGn5JEAAAQBAJ&rdot=1  

R. Aulianita, A. M. B. Aji, and Y. E. Achyani, “TEXT MINING MENGGUNAKAN NAIVE BAYES BERBASIS PARTICLE SWARM OPTIMIZATION UNTUK SENTIMENT RESTAURANT,” Jurnal Teknik Informatika Musirawas) Rizki Aulianita, vol. 6, no. 1, pp. 21–29, Jun. 2021, doi: 10.32767/jutim.v6i1.1300.

M. S. ’Afif, M. Muzakir, and Moh. I. A. G. Al Awalaien, “TEXT MINING UNTUK MENGKLASIFIKASI JUDUL BERITA ONLINE STUDI KASUS RADAR BANJARMASIN MENGGUNAKAN METODE NAÏVE BAYES,” Kumpulan jurnaL Ilmu Komputer (KLIK), vol. 08, no. 2, Jun. 2021, doi: 10.20527/klik.v8i2.389.

R. S. Lutfiyani and N. Retnowati, “IMPLEMENTASI PENDETEKSIAN SPAM EMAIL MENGGUNAKAN METODE TEXT MINING DENGAN ALGORITMA NAÏVE BAYES DAN DECISION TREE J48,” Jurnal Komputer dan Informatika, vol. 9, no. 2, pp. 244–252, Oct. 2021, doi: 10.35508/jicon.v9i2.5304.

M. A. Palomino and F. Aider, “Evaluating the Effectiveness of Text PreProcessing in Sentiment Analysis,” Applied Sciences (Switzerland), vol. 12, no. 17, Sep. 2022, doi: 10.3390/app12178765.

S. M. Weiss, N. Indurkhya, and T. Zhang, Fundamentals of Predictive Text Mining. Springer Publishing Company, Incorporated, 2010.

Syahril Dwi Prasetyo, Shofa Shofiah Hilabi, and Fitri Nurapriani, “Analisis Sentimen Relokasi Ibukota Nusantara Menggunakan Algoritma Naïve Bayes dan KNN,” Jurnal KomtekInfo, pp. 1–7, Jan. 2023, doi: 10.35134/komtekinfo.v10i1.330.