ABSTRAK

RISDAWATI. Optimasi Algoritma Indonesian Bidirectional Encoder Representations From Transformers dan Random Search Klasifikasi Sentimen pada Program Lapor Mas Wapres (dibimbing oleh Nuraida Latif dan A. Sumardin)

Penggunaan dataset dengan jumlah data terbatas, dapat menyebabkan model cenderung mudah overfitting sehingga rendahnya akurasi. Selain itu, proses klasifikasi sentimen menghadapi kendala karena karakteristik bahasa alami yang digunakan sering bersifat tidak baku, mengandung singkatan, serta variasi penulisan yang beragam. Dan pemilihan hyperparameter yang tidak optimal pada model deep learning dapat menurunkan kinerja model. Penelitian ini bertujuan untuk meningkatkan akurasi analisis sentimen dengan menerapkan metode Indonesian Bidirectional Encoder Representations From Transformers yang dioptimalkan menggunakan Random Search. Data ini diperoleh dari hasil scrapping web pada postingan Lapor Mas Wapres. Metode pada penelitian meliputi pengumpulan data, text preprocessing, klasifikasi IndoBERT, optimasi hyperparameter menggunakan Random Search untuk memperoleh kombinasi parameter terbaik, serta evaluasi dilakukan dengan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa tanpa menggunakan optimasi dengan Random Search menghasilkan akurasi sebesar 75% dan setelah dioptimasi menghasilkan akurasi sebesar 77% pada pembagian split data 90:10 dengan akurasi tertinggi pada pembagian data. Pemilihan hyperparameter yang sesuai dapat meningkatkan performa model dan berperan penting dalam klasifikasi sentimen.

Kata Kunci: Deep Learning, IndoBERT, Klasifikasi Sentimen, Optimasi Hyperparameter, Random Search