Hybrid IndoBERT-CNN Model for Sentiment Analysis: A Case Study on Educational Public Figures on TikTok

Indar Muslimah Kusmadi

doi:10.36914/jrtk.v1.i1.11

Penulis

Indar Muslimah Kusmadi Universitas Tarakanita Penulis

DOI:

https://doi.org/10.36914/jrtk.v1.i1.11

Kata Kunci:

Analisis Sentimen, IndoBERT, CNN, Deep Learning, TikTok, Branding Universitas

Abstrak

Studi ini meneliti sentimen publik terhadap konten pendidikan yang dibagikan oleh Rektor Universitas Presiden di TikTok, memposisikan platform tersebut sebagai media pembelajaran dan alat untuk membangun citra institusi. Dataset yang terdiri dari lebih dari 2.000 komentar pengguna dikumpulkan melalui web scraping dan diproses terlebih dahulu untuk mempertahankan teks berbahasa Indonesia. Sentimen secara otomatis diberi label ke dalam kategori positif, netral, dan negatif, kemudian diklasifikasikan menggunakan arsitektur pembelajaran mendalam hibrida yang mengintegrasikan IndoBERT untuk embedding kontekstual dengan Convolutional Neural Network (CNN) untuk ekstraksi fitur yang lebih baik. Model yang diusulkan dilatih dan divalidasi pada dataset, mencapai akurasi yang kuat dan kinerja yang andal dibandingkan dengan pendekatan pembelajaran mesin dasar. Analisis mengungkapkan bahwa mayoritas komentar mengekspresikan sentimen positif, menunjukkan keterlibatan audiens yang baik dengan konten pendidikan Rektor, sementara komentar netral dan negatif menyoroti area yang perlu ditingkatkan dalam gaya komunikasi dan pembingkaian pesan. Temuan ini menunjukkan potensi TikTok sebagai saluran yang efektif bagi para pemimpin akademik untuk menyebarkan pesan pendidikan, meningkatkan visibilitas institusi, dan memperkuat kepercayaan publik terhadap pendidikan tinggi. Selain kontribusi teknis, penelitian ini memberikan wawasan yang dapat ditindaklanjuti bagi universitas, strategi dalam promosi digital dan perekrutan mahasiswa, serta menyoroti dampak sosial dari keterlibatan pendidikan melalui media sosial.

Referensi

Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT 2019, 4171–4186. Association for Computational Linguistics.

Dhendra, & Gayuh Utomo, V. (2025). Benchmarking IndoBERT and transformer models for sentiment classification on Indonesian e-government service reviews. Jurnal Transformatika, 23(1), 86–95.

Jayadianti, R., et al. (2024). Sentiment analysis of Indonesian reviews using fine-tuning IndoBERT and R-CNN. ILKOM Jurnal Ilmiah, 14(3), 348–354.

Kim, Y. (2014). Convolutional neural networks for sentence classification. Proceedings of EMNLP 2014, 1746–1751. Association for Computational Linguistics.

Koto, F., Rahimi, A., Lau, J. H., & Baldwin, T. (2020). IndoLEM and IndoBERT: A benchmark dataset and pre-trained language model for Indonesian NLP. Proceedings of COLING 2020, 757–770.

Mandhasiya, D. G., Murfi, H., & Bustamam, A. (2024). The hybrid of BERT and deep learning models for Indonesian sentiment analysis. Indonesian Journal of Electrical Engineering and Computer Science, 33(1), 591–602.

Murfi, H., Syamsyuriani, T., Gowandi, T., Ardaneswari, G., & Nurrohmah, S. (2022). BERT-based combination of convolutional and recurrent neural network for Indonesian sentiment analysis. arXiv preprint arXiv:2202.09812.

Riskia, A. S., Wufron, & Roji, F. F. (2025). Analisis sentimen Coretax: Perbandingan pelabelan data manual, transformers-based, dan lexicon-based pada performa IndoBERT. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 5(3), 1037–1048.

Setiawan, J. C., Lhaksmana, K. M., & Bunyamin, B. (2022). Sentiment analysis of Indonesian TikTok review using LSTM and IndoBERTweet algorithm. JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), 8(3).

Wu, Y., Jin, Z., Shi, C., Liang, P., & Zhan, T. (2024). Research on the application of deep learning-based BERT model in sentiment analysis. arXiv preprint arXiv:2401.12345.