<![CDATA[Analisis sentimen terhadap opini publik di media sosial merupakan alat yang krusial bagi penyedia layanan seperti BPJS Kesehatan untuk mengevaluasi kualitas layanannya. Pendekatan yang akurat seperti fine-tuning model transformer IndoBERT seringkali terkendala oleh kebutuhan sumber daya komputasi yang tinggi. Penelitian ini membandingkan dua pendekatan berbasis IndoBERT: fine-tuning end-to-end dan transfer learning dengan ekstraksi fitur yang diklasifikasikan menggunakan Random Forest (RF). Eksperimen menggunakan 3.059 komentar berbahasa Indonesia terkait layanan BPJS yang telah dilabeli. Hasilnya menunjukkan bahwa model hybrid IndoBERT + RF secara signifikan mengungguli model fine-tuning secara keseluruhan. Model hybrid mencapai akurasi 98% dan F1-score tertimbang 0,98, dibandingkan dengan model fine-tuning yang hanya mencapai 92% dan 0,92. Selain itu, model hybrid menunjukkan peningkatan kinerja yang mencolok pada kelas minoritas (netral dan positif) serta jauh lebih efisien dalam waktu komputasi, dengan waktu pelatihan dan evaluasi hanya 33 detik berbanding 206 detik pada model end-to-end. Temuan ini membuktikan bahwa strategi transfer learning ringan berbasis IndoBERT tidak hanya mempertahankan akurasi tinggi tetapi juga menawarkan efisiensi sumber daya yang luar biasa, sehingga menjadi solusi yang sangat layak untuk implementasi sistem pemantauan opini publik di institusi dengan infrastruktur terbatas.]]>
Copyrights © 2025
