<![CDATA[Analisis sentimen sangat penting untuk memahami opini konsumen dan menyempurnakan strategi e-commerce. Analisis ini menghadapi tantangan seperti bahasa informal, ambiguitas semantik, dan inkonsistensi antara sentimen tekstual dan peringkat bintang, yang memengaruhi akurasi klasifikasi. Penelitian ini menerapkan model BERT (Bidirectional Encoder Representations from Transformersi) untuk mengklasifikasikan sentimen dalam ulasan pengguna Shopee. Data dikumpulkan dari penelitian sebelumnya dan menjalani praproses, termasuk tokenisasi, penghapusan stopword, dan normalisasi teks. Pendekatan analisis sentimen berbasis leksikon digunakan sebagai dasar perbandingan. Model BERT disempurnakan menggunakan optimasi hiperparameter, mencapai akurasi 83,08%, presisi 82,91%, recall 83,08%, dan F1-score 82,87%. Dibandingkan dengan studi sebelumnya yang menggunakan Naïve Bayes dengan N-Gram dan Information Gain, yang mencapai akurasi 92% tetapi presisi lebih rendah (56%), recall (65%), dan F1-score (60%), BERT mengungguli dengan metrik evaluasi yang lebih seimbang dan keandalan prediktif yang lebih besar. Hasil ini menunjukkan kemampuan BERT untuk menangkap konteks semantik dua arah, melampaui metode tradisional dalam menangani tugas analisis sentimen yang kompleks.]]>
Copyrights © 2025
