<![CDATA[Bahasa Jawa merupakan bahasa daerah dengan jumlah penutur terbesar di Indonesia, namun sumber daya pemrosesan bahasa alami (Natural Language Processing, NLP) untuknya masih sangat terbatas dibandingkan Bahasa Indonesia. Penelitian ini menyajikan studi komparatif untuk tugas analisis sentimen multikelas (Positif, Netral, Negatif) pada teks berbahasa Jawa menggunakan dua model pre-trained berbasis Transformer, yaitu IndoBERT (indobert-base-p1) dan JavaBERT (javanese-bert-small), serta model ensemble soft-voting dari keduanya. Karena korpus mentah (200.000 kalimat) tidak memiliki label, penelitian ini menerapkan pelabelan otomatis berbasis leksikon sentimen Bahasa Jawa yang disusun manual dengan penanganan negasi dan kalimat kontras. Ketiga model di-fine-tune dan dievaluasi pada data uji yang sama (20.000 kalimat), menghasilkan akurasi, presisi, recall, dan F1-score sebesar 1,00 secara konsisten. Hasil yang sangat tinggi ini dibahas secara kritis sebagai konsekuensi langsung dari kuatnya korelasi leksikal antara skema pelabelan otomatis dan fitur permukaan teks, bukan sebagai bukti pemahaman semantik mendalam. Untuk menguji generalisasi di luar distribusi latih, dilakukan pengujian kualitatif tambahan pada kalimat berdialek Ngapak (Banyumasan) yang tidak terwakili dalam leksikon maupun data latih. Pada kalimat berdialek standar, ketiga model konsisten sepakat; namun pada kalimat berdialek Ngapak, IndoBERT dan JavaBERT saling berbeda pendapat dan model ensemble nyaris seri (50,0% berbanding 50,0%), mengindikasikan keterbatasan generalisasi lintas-dialek. Temuan ini menegaskan perlunya benchmark berlabel manusia, cakupan dialek yang lebih luas, dan evaluasi di luar distribusi sebagai arah penelitian selanjutnya.]]>
