<![CDATA[Bayangkan berapa banyak ulasan yang mengalir setiap hari dari jutaan pengguna Spotify, jumlah yang terus membengkak seiring platform ini semakin populer. Di balik tumpukan ulasan itu, tersembunyi informasi berharga tentang seberapa puas pengguna terhadap layanan yang mereka nikmati, informasi yang bisa digali lewat analisis sentimen. Dari titik inilah penelitian ini bermula, dengan fokus membandingkan dua metode andalan dalam pemrosesan bahasa alami, LSTM dan BERT, guna menentukan mana yang lebih efektif mengklasifikasikan sentimen ulasan Spotify. Data yang digunakan diambil dari Kaggle, kemudian diproses melalui lima tahap text preprocessing sebelum masuk ke fase pelatihan model: case folding, cleaning, tokenizing, stopword removal, dan stemming. Data yang sudah bersih itu selanjutnya dibagi menjadi tiga kelompok, data latih, validasi, dan pengujian, untuk melatih kedua model secara paralel. Kinerja masing-masing model diukur lewat empat metrik: accuracy, precision, recall, dan F1-score. Hasil pengujian memperlihatkan gambaran yang menarik untuk dicermati. BERT jelas lebih unggul dalam hal akurasi, mencatat 78,32% dibandingkan 72,80% milik LSTM. Akan tetapi, giliran kecepatan yang diuji, LSTM justru tampil lebih gesit, baik saat dilatih maupun saat melakukan inferensi. Dari sini, muncul satu benang merah yang bisa dijadikan pegangan praktis: pilih BERT bila akurasi adalah prioritas utama, tapi pilih LSTM bila sumber daya komputasi yang tersedia terbatas.]]>
Copyrights © 2026
