ANALISIS SENTIMEN DAN DINAMIKA KOMENTAR TIKTOK TERHADAP DRAMA KOREA S LINE MENGGUNAKAN MODEL INDOBERT

Ainin Nurnabilah; Umi Hayati; Tati Suprapti; Ade Rizki Rinaldi

Authors

Ainin Nurnabilah STMIK IKMI Cirebon, Indonesia
Umi Hayati STMIK IKMI Cirebon, Indonesia
Tati Suprapti STMIK IKMI Cirebon, Indonesia
Ade Rizki Rinaldi STMIK IKMI Cirebon, Indonesia

Keywords:

Analisis Sentimen, TikTok, IndoBERT, Fine-Tuning, Deep Learning, Klasifikasi Teks

Abstract

Media sosial TikTok merupakan salah satu platform yang paling cepat dalam menyebarkan opini publik, termasuk terhadap drama Korea yang sedang viral. Drama S Line memicu banyak komentar dari pengguna, sehingga menarik untuk dianalisis untuk mengetahui kecenderungan sentimen publik. Masalah utama dalam penelitian ini adalah bagaimana memanfaatkan model bahasa Indonesia berbasis Transformer untuk mengklasifikasikan sentimen komentar TikTok yang umumnya bersifat pendek, informal, dan tidak baku. Tujuan penelitian ini adalah menghasilkan model klasifikasi sentimen yang mampu memetakan komentar pengguna menjadi sentimen positif dan negatif secara akurat. Dataset penelitian terdiri dari 2.851 komentar dengan distribusi yang tidak seimbang, yaitu 2.316 komentar negatif dan 535 komentar positif. Proses penelitian meliputi eksplorasi data, pra-pemrosesan teks, tokenisasi menggunakan IndoBERT tokenizer, serta pembagian dataset secara stratified menjadi 70% data latih, 15% validasi, dan 15% data uji. Untuk menangani ketidakseimbangan label, penelitian menerapkan class-weighted loss pada proses fine-tuning. Model IndoBERT kemudian dilatih selama empat epoch menggunakan HuggingFace Trainer yang dimodifikasi. Hasil penelitian menunjukkan bahwa model IndoBERT memberikan performa yang baik dengan akurasi 85,05% dan macro F1-score sebesar 0,7749 pada data uji. Model sangat baik dalam mengenali sentimen negatif, tetapi performanya lebih rendah pada kelas positif akibat ketidakseimbangan data. Analisis temporal memperlihatkan bahwa sentimen negatif mendominasi sebagian besar periode pengamatan, meskipun terdapat peningkatan sentimen positif pada tanggal tertentu. Secara umum, penelitian ini menunjukkan bahwa IndoBERT efektif digunakan untuk analisis sentimen pada teks pendek dan informal. Hasil ini diharapkan dapat menjadi dasar pengembangan sistem pemantauan opini publik berbasis kecerdasan buatan pada platform media sosial di Indonesia.

References

G. Z. Nabiilah, S. Y. Prasetyo, Z. N. Izdihar, And A. S. Girsang, “Bert Base Model For Toxic Comment Analysis On Indonesian Social Media,” In Procedia Computer Science, Elsevier B.V., 2022, Pp. 714–721. Doi: 10.1016/J.Procs.2022.12.188.

E. Kubin And C. Von Sikorski, “The Role Of (Social) Media In Political Polarization: A Systematic Review,” Ann. Int. Commun. Assoc., Vol. 45, No. 3, Pp. 188–206, 2021, Doi: 10.1080/23808985.2021.1976070.

S. D. Arora, G. P. Singh, A. Chakraborty, And M. Maity, “Polarization And Social Media: A Systematic Review And Research Agenda,” Technol. Forecast. Soc. Change, Vol. 183, P. 121942, 2022, Doi: 10.1016/J.Techfore.2022.121942.

R. Levy, “Social Media, News Consumption, And Polarization: Evidence From A Field Experiment,” American Economic Review, Vol. 111, No. 3, Pp. 831–870, 2021, Doi: 10.1257/Aer.20191777.

A. Schellewald, “Understanding The Popularity And Affordances Of Tiktok Through User Experiences,” Media Cult. Soc., Vol. 45, No. 8, Pp. 1568–1582, 2023, Doi: 10.1177/01634437221144562.

H. Zhao And C. Wagner, “How Tiktok Leads Users To Flow Experience: Investigating The Effects Of Technology Affordances With User Experience Level And Video Length As Moderators,” Internet Research, Vol. 33, No. 2, Pp. 820–849, 2023, Doi: 10.1108/Intr-08-2021-0595.

J. Burgess, “Understanding The Popularity And Affordances Of Tiktok Through User Perspectives,” Media Cult. Soc., Vol. 45, No. 8, Pp. 1568–1582, 2023, Doi: 10.1177/01634437221144562.

S. Lee, “From Local Flavor To Global Fandom: An Exploration Of The Cultural Presentation And Attitudes Towards Using English By Thai Content Creators On The Tiktok Platform,” Front. Commun. (Lausanne)., Vol. 9, P. 1453316, 2024, Doi: 10.3389/Fcomm.2024.1453316.

N. Di Marco, E. Loru, A. Bonetti, A. O. G. Serra, M. Cinelli, And W. Quattrociocchi, “The Evolution Of Language In Social Media Comments,” 2024.

A. S. Calude, The Linguistics Of Social Media. London: Routledge, 2023. Doi: 10.4324/9781003321873.

L. Panjaitan And A. N. Patria, “Social Media And Language Evolution: The Impact Of Digital Communication On Language Change,” International Journal Of Linguistics, Literature And Translation, Vol. 7, No. 12, P. 8, 2024, Doi: 10.32996/Ijllt.2024.7.12.8.

M. T. Uliniansyah Et Al., “Twitter Dataset On Public Sentiments Towards Biodiversity Policy In Indonesia,” Data Brief, Vol. 52, Feb. 2024, Doi: 10.1016/J.Dib.2023.109890.

J. Khan, K. Ahmad, S. K. Jagatheesaperumal, And K.-A. Sohn, “Textual Variations In Social Media Text Processing Applications: Challenges, Solutions, And Trends,” Artif. Intell. Rev., Vol. 58, No. 3, P. 89, 2025, Doi: 10.1007/S10462-024-11071-Z.

J. Rahman, M. A. R. Talukder, P. Malakar, M. M. Kabir, And M. F. Mridha, “Recent Advancements And Challenges Of Nlp Based Sentiment Analysis: A State Of The Art Review,” Natural Language Processing Journal, 2024, Doi: 10.1016/J.Nlp.2024.100059.

C. Shaw, P. Lacasse, And L. Champagne, “Exploring Emotion Classification Of Indonesian Tweets Using Large Scale Transfer Learning Via Indobert,” Soc. Netw. Anal. Min., Vol. 15, P. 22, 2025, Doi: 10.1007/S13278-025-01439-6.

E. Yulianti And N. K. Nissa, “Absa Of Indonesian Customer Reviews Using Indobert: Single Sentence And Sentence Pair Classification Approaches,” Bulletin Of Electrical Engineering And Informatics, Vol. 13, No. 5, Pp. 3579–3589, 2024, Doi: 10.11591/Eei.V13i5.8032.

I. Hossain, S. Puppala, M. J. Alam, S. Talukder, And Z. Talukder, “A Visual Approach To Tracking Emotional Sentiment Dynamics In Social Network Commentaries,” Soc. Netw. Anal. Min., Vol. 14, No. 1, 2024, Doi: 10.1007/S13278-024-01332-8.

X. Zhang And Y. Liu, “A Review On Sentiment Analysis From Social Media Platforms: Temporal Dynamics, Causal Effects And Applications,” Expert Syst. Appl., Vol. 224, P. 121811, 2023, Doi: 10.1016/J.Eswa.2023.121811.

S. Feuerriegel And N. Pröllochs, “Using Natural Language Processing To Analyse Text Data In Behavioural Science: An Exploratory Content Analysis Framework,” Nature Scientific Reports, 2024, Doi: 10.1038/S41598-024-00392-Z.