Sentiment Analysis of Indonesian-English Code-Mixed X Posts on Gender Equality A Hybrid Approach: Combining Lexicon and Deep Learning Models

Dilya Salsabila, Drs. Medi, M. Kom.

2026 | Skripsi | ILMU KOMPUTER

Penelitian ini mengeksplorasi analisis sentimen pada unggahan campur kode bahasa Indonesia–Inggris dari X (sebelumnya Twitter) yang membahas isu kesetaraan gender, dengan menggunakan pendekatan hibrida yang mengombinasikan pelabelan otomatis berbasis leksikon dan klasifikasi berbasis pembelajaran mendalam. Penelitian ini memanfaatkan leksikon SentIL untuk menghasilkan label sentimen melalui weak supervision setelah tahap prapemrosesan. Dataset yang dihasilkan kemudian digunakan untuk melatih dan mengevaluasi tiga model pembelajaran mendalam, yaitu BiLSTM, IndoBERT, dan IndoBERTweet, guna menilai kinerjanya dalam mengklasifikasikan sentimen. Tahapan prapemrosesan meliputi penghapusan kolom dan baris, pembersihan teks, tokenisasi, normalisasi, serta penerjemahan selektif. Kinerja model diukur menggunakan metrik akurasi, presisi, recall, skor F1, dan Cohen’s Kappa, dengan subset data berlabel manual yang digunakan sebagai tolok ukur. Hasil eksperimen menunjukkan bahwa model berbasis transformer mengungguli baseline BiLSTM, dengan IndoBERT mencapai kinerja tertinggi, yaitu skor F1 makro hingga 0,68 dan akurasi sebesar 73% pada skema pelatihan berbobot kelas, diikuti oleh IndoBERTweet dengan skor F1 makro hingga 0,56. Sementara itu, BiLSTM secara konsisten menunjukkan kinerja yang lebih rendah, dengan skor F1 makro yang tetap berada di bawah 0,52 pada seluruh konfigurasi. Temuan ini menunjukkan bahwa weak supervision berbasis leksikon cukup efektif untuk melatih pengklasifikasi sentimen pada konteks campur kode dan sumber daya terbatas, sekaligus menegaskan keunggulan model transformer kontekstual dalam menangkap nuansa sentimen pada diskursus kesetaraan gender.

This study explores sentiment analysis on Indonesian-English code-mixed posts from X (formerly Twitter) discussing gender equality, using a hybrid approach that combines lexicon-based auto-labeling with deep learning classification. The research employs the SentIL lexicon to generate sentiment labels through weak supervision after preprocessing. The resulting dataset is used to train and evaluate three deep learning models, specifically BiLSTM, IndoBERT, and IndoBERTweet to assess their performance in classifying sentiment. Preprocessing steps include dropping columns and rows, text cleaning, tokenization, normalization, and selective translation. Model performance is measured using accuracy, precision, recall, F1-score, and Cohen’s Kappa, with a manually labeled subset serving as the benchmark. Experimental results show that transformer-based models outperform the BiLSTM baseline, with IndoBERT achieving the highest performance, reaching a macro F1 score of up to 0.68 and an accuracy of 73% uder class weighted training, IndoBERTweet with macro F1 scores up to 0.56, while BiLSTM consistently underperforms, with macro F1 scores remaining below 0.52 across all configurations. These findings indicate that lexicon driven weak supervision is sufficient to train effective sentiment classifiers in low resource, code-mixed settings, while highlighting the advantages of contextual transformer models for capturing nuanced sentiment in gender equality discourse.

Kata Kunci : NLP, Sentiment analysis, code-mixed text, gender equality, SentIL, BiLSTM, IndoBERT, IndoBERTweet, Indonesian-English