<![CDATA[Ulasan pelanggan pada platform e-commerce kerap menunjukkan ketidaksesuaian antara isi teks dan rating numerik yang diberikan, sehingga menyulitkan pelaku usaha dalam menilai kepuasan pelanggan secara objektif, terutama pada volume data yang besar. Penelitian ini bertujuan mengembangkan dan mengevaluasi model Bidirectional Long Short-Term Memory (BiLSTM) untuk mengklasifikasikan sentimen ulasan produk pada platform Tokopedia ke dalam kategori positif, netral, dan negatif sebagai representasi tingkat kepuasan pelanggan. Penelitian menggunakan pendekatan kuantitatif-eksperimental terhadap 4.060 data ulasan berbahasa Indonesia yang diperoleh melalui scraping. Data diproses melalui tahapan case folding, cleaning, tokenisasi, stopword removal, dan stemming, kemudian ditransformasikan menjadi representasi numerik melalui embedding layer berdimensi 128 sebelum dilatih menggunakan arsitektur BiLSTM dengan 64 unit dan optimizer Adam selama 10 epoch. Eksperimen dilakukan menggunakan dataset dengan distribusi kelas yang tidak seimbang (imbalanced dataset) tanpa penerapan teknik manipulasi data seperti SMOTE atau oversampling, maupun penyesuaian algoritma menggunakan class weight. Hasil pengujian pada 812 data uji dengan rasio 80:20 menunjukkan model mencapai akurasi 77,83%, dengan performa terbaik pada kelas positif (precision 0,84; recall 0,87; F1-score 0,86) dan performa terendah pada kelas netral dengan F1-score 0,44. Temuan ini menunjukkan bahwa BiLSTM mampu menangkap konteks dua arah dalam teks untuk klasifikasi sentimen berbahasa Indonesia, tetapi ketidakseimbangan distribusi kelas dan karakteristik kelas netral yang ambigu masih memengaruhi performa klasifikasi. Penelitian ini memberikan dasar bagi penerapan analisis sentimen untuk membantu pemantauan kepuasan pelanggan pada platform e-commerce secara otomatis]]>
Copyrights © 2026
