GENERALISASI TEMPORAL MODEL KLASIK DAN MODEL BERBASIS TRANSFORMER UNTUK KLASIFIKASI SENTIMEN TINGKAT TARGET PADA JUDUL BERITA PERBANKAN INDONESIA
E-Link: Jurnal Teknik Elektro dan Informatika · 28.10.2026 · 21-34
DOI: 10.30587/e-link.v21i2.12686 ↗Kurz gefasst
Fachartikel in der Zeitschrift E-Link: Jurnal Teknik Elektro dan Informatika, online erschienen am 28.10.2026. Verfasst von Eka Ratri Noor W und 7 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
Klasifikasi sentimen tingkat target (target-level sentiment classification) pada judul berita berbahasa Indonesia menghadapi tantangan berupa keterbatasan konteks, ketidakseimbangan kelas, dan perubahan narasi pemberitaan. Penelitian ini bertujuan mengevaluasi kinerja model klasik dan IndoBERT dalam mengklasifikasikan sentimen tingkat target pada judul berita mengenai BCA, BNI, BRI, Bank Mandiri, dan BSI. Dataset gold standard disusun dari 2.000 judul berita yang diterbitkan pada tahun 2023–2025 melalui anotasi manual dan adjudikasi (penyelesaian ketidaksepakatan antaranotator). Kesepakatan antaranotator (inter-annotator agreement) menghasilkan Cohen's kappa sebesar 0,884 untuk relevansi dan 0,772 untuk sentimen. Sebanyak 1.957 judul yang dinyatakan relevan diberi label negatif, netral, atau positif. Model klasik berupa logistic regression dan linear support vector machine (SVM) dengan representasi term frequency–inverse document frequency (TF-IDF) kata serta gabungan kata dan karakter. Evaluasi model klasik dilakukan melalui validasi silang 5-fold berbasis grup (group-aware cross-validation), sedangkan perbandingan dengan IndoBERT dilakukan melalui pengujian temporal menggunakan data 2023–2024 sebagai development set (pelatihan dan validasi) dan 538 judul 2025 sebagai data uji temporal terkunci (locked temporal test set). Hasil pengujian temporal menunjukkan bahwa SVM dengan fitur gabungan kata dan karakter mencapai Macro-F1 sebesar 0,8278 dan akurasi sebesar 0,9015. IndoBERT memperoleh Macro-F1 tertinggi sebesar 0,8592 dan balanced accuracy sebesar 0,8753. Sentimen negatif menjadi kelas yang paling sulit diklasifikasikan, sementara kinerja model bervariasi antarbank. Hasil tersebut menunjukkan bahwa IndoBERT lebih baik dalam mengenali ketiga kelas secara seimbang, sedangkan SVM menghasilkan akurasi keseluruhan yang lebih tinggi pada data uji. Kedua pendekatan berpotensi mendukung penyaringan judul berita dalam pemantauan media perbankan.
Zitieren
APA
W, E. R. N., Asriningtias, S. R., Surya, D. U., Abdullah, H. M., Atmoko, R. A., Ardhian, M. R., Rafliansyah, M. S., & Purwanto, M. D. (2026). GENERALISASI TEMPORAL MODEL KLASIK DAN MODEL BERBASIS TRANSFORMER UNTUK KLASIFIKASI SENTIMEN TINGKAT TARGET PADA JUDUL BERITA PERBANKAN INDONESIA. E-Link: Jurnal Teknik Elektro dan Informatika, 21-34. https://doi.org/10.30587/e-link.v21i2.12686
Vancouver
W ERN, Asriningtias SR, Surya DU, Abdullah HM, Atmoko RA, Ardhian MR, et al. GENERALISASI TEMPORAL MODEL KLASIK DAN MODEL BERBASIS TRANSFORMER UNTUK KLASIFIKASI SENTIMEN TINGKAT TARGET PADA JUDUL BERITA PERBANKAN INDONESIA. E-Link: Jurnal Teknik Elektro dan Informatika. 2026:21-34. doi:10.30587/e-link.v21i2.12686
BibTeX
@article{W2026,
author = {W, Eka Ratri Noor and Asriningtias, Salnan Ratih and Surya, Dwi Utari and Abdullah, Harnan Malik and Atmoko, Rachmad Andri and Ardhian, Muhammad Rifqi and Rafliansyah, Mochamad Surya and Purwanto, Mahendra Dwi},
title = {GENERALISASI TEMPORAL MODEL KLASIK DAN MODEL BERBASIS TRANSFORMER UNTUK KLASIFIKASI SENTIMEN TINGKAT TARGET PADA JUDUL BERITA PERBANKAN INDONESIA},
journal = {E-Link: Jurnal Teknik Elektro dan Informatika},
year = {2026},
pages = {21--34},
doi = {10.30587/e-link.v21i2.12686}
}
EUVIMED