<![CDATA[Ulasan pengguna pada platform SP4N-LAPOR! memuat sentimen yang penting untuk evaluasi layanan publik, namun teksnya sering tidak terstruktur, mengandung variasi ejaan, singkatan, dan kalimat ambigu sehingga menyulitkan klasifikasi sentimen. Penelitian ini bertujuan mengklasifikasikan sentimen ulasan SP4N-LAPOR! menggunakan IndoBERT serta menganalisis pengaruh normalisasi variasi ejaan berbasis Levenshtein Distance dan penerapan class-weighted loss terhadap kinerja model. Tahap awal meliputi pembersihan data dan normalisasi ejaan, kemudian data dibagi menjadi latih, validasi, dan uji. IndoBERT selanjutnya di-fine-tune dengan pengujian hyperparameter (epoch, learning rate, batch size) dan dievaluasi dalam empat skenario kombinasi penggunaan normalisasi Levenshtein dan class-weighted loss. Hasil uji menunjukkan performa terbaik diperoleh pada kombinasi class-weighted loss dan normalisasi Levenshtein dengan accuracy 0,9272 dan macro F1-score 0,8996. Skenario class-weighted loss tanpa normalisasi menghasilkan macro F1-score 0,8985, sedangkan skenario tanpa class-weighted loss berada pada macro F1-score 0,8901. Temuan ini menegaskan class-weighted loss paling berpengaruh, sementara normalisasi Levenshtein memberi manfaat tambahan saat dikombinasikan.]]>
Copyrights © 2026
