ANALISIS PERFORMA TRANSFORMER-BASED MODEL PADA DETEKSI BLACK CAMPAIGN (Studi Kasus: Pemilihan Presiden Indonesia 2024)

Jessen, Ramadeksa Allen (2026) ANALISIS PERFORMA TRANSFORMER-BASED MODEL PADA DETEKSI BLACK CAMPAIGN (Studi Kasus: Pemilihan Presiden Indonesia 2024). Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Lampung.

Preview	File PDF ABSTRAK.pdf Download (213Kb) | Preview
	File PDF SKRIPSI FULL.pdf Restricted to Hanya staf Download (3234Kb) | Minta salinan
Preview	File PDF SKRIPSI TANPA BAB PEMBAHASAN.pdf Download (1391Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Meningkatnya penggunaan media sosial pada Pemilihan Presiden Indonesia 2024 memperluas ruang komunikasi politik sekaligus memunculkan praktik black campaign yang berpotensi merusak reputasi kandidat dan menyesatkan opini publik. Pendekatan klasifikasi teks yang digunakan pada studi awal masih memiliki keterbatasan dalam menangkap hubungan semantik yang kompleks pada teks politik, sehingga diperlukan metode yang mampu memahami representasi bahasa secara lebih mendalam. Penelitian ini bertujuan untuk menganalisis performa model berbasis Transformer dalam mendeteksi konten black campaign pada data Twitter terkait Pemilihan Presiden Indonesia 2024. Dataset yang digunakan berjumlah 7.025 data dengan dua kelas, yaitu Black Campaign dan Non-Black Campaign. Tahapan penelitian meliputi preprocessing teks, penyeimbangan data menggunakan oversampling dan downsampling, splitting, proses hyperparameter tuning dan fine-tuning, serta evaluasi menggunakan metrik Accuracy, Precision, Recall, dan F1-score. Model yang diuji meliputi IndoBERT, IndoBERTweet, dan XLM-RoBERTa. Hasil penelitian menunjukkan bahwa seluruh model Transformer mampu melampaui performa model benchmark, dengan performa terbaik diperoleh oleh IndoBERT menggunakan pendekatan oversampling dan normalisasi teks yang mencapai akurasi 95,45%. Pengujian pada dataset eksternal menunjukkan kemampuan model dalam menghadapi variasi distribusi data dengan akurasi sekitar 50%. Secara keseluruhan, arsitektur Transformer menunjukkan kemampuan yang lebih baik dalam memahami representasi semantik teks politik dibandingkan model sekuensial. Kata Kunci: Black Campaign, Transformer-based Model, Klasifikasi Teks, Natural Language Processing, Media Sosial, Pemilihan Presiden 2024, IndoBERT.

Jenis Karya Akhir:	Skripsi
Subyek:	000 Ilmu komputer, informasi dan pekerjaan umum > 004 Pemrosesan data dan ilmu komputer 000 Ilmu komputer, informasi dan pekerjaan umum > 005 Pemrograman komputer, program dan data
Program Studi:	FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) > Prodi S1 Ilmu Komputer
Pengguna Deposit:	2602819476 Digilib
Date Deposited:	10 Apr 2026 01:21
Terakhir diubah:	10 Apr 2026 01:21
URI:	http://digilib.unila.ac.id/id/eprint/98113

Actions (login required)

Lihat Karya Akhir