JOURNAL OF SCIENCE AND SOCIAL RESEARCH
Vol. 9 No. 5 (2026): October (2026)

METODE DAN ALGORITMA ANALISIS SENTIMEN: TINJAUAN LITERATUR SISTEMATIS 2023–2026

Purwadi Purwadi (Universitas Amikom Purwokerto)
Berlilana Berlilana (Universitas Amikom Purwokerto)
Bagus Adhi Kusuma (Universitas Amikom Purwokerto)
Dhanar Intan Surya Saputra (Universitas Amikom Purwokerto)
Hendra Marcos (Universitas Amikom Purwokerto)



Article Info

Publish Date
31 Oct 2026

Abstract

Abstract: Sentiment analysis has shifted from feature-based machine learning to deep learning, Transformer encoders, and large language models (LLMs), affecting model accuracy and approaches to data formulation, supervision, and evaluation. This systematic literature review maps developments from 2023 to 2026 using an auditable corpus of 30 primary studies classified into four methodological groups: machine learning, deep learning, Transformer, and LLM. The corpus composition changes over time: machine learning accounts for 77.8% of studies in 2023, falls to 40.0% in 2024, and is absent in 2025–2026. Transformer and LLM approaches rise from 0% in 2023 to 50.0% in 2024 and reach 100% in 2025 and 2026. Deep learning serves as a transitional stage, especially in 2023–2024. The evidence indicates a shift from feature engineering and class-balancing optimization toward contextual representations, domain adaptation, prompting, fine-tuning, and assessment of reliability, fairness, and language sensitivity. Greater model capacity, however, does not automatically improve robustness: recent studies highlight prompt sensitivity, demographic differences, and dependence on fine-tuning and domain-specific information. The review recommends controlled comparisons, multilingual evaluation, reproducibility, uncertainty assessment, and resource-aware execution.  Keywords: Sentiment Analysis; Systematic Literature Review; Machine Learning; Transformer; Large Language Models   Abstrak: Perkembangan analisis sentimen bergeser dari pembelajaran mesin berbasis fitur menuju pembelajaran mendalam, enkoder Transformer, dan model bahasa besar (LLM). Perubahan tersebut memengaruhi akurasi model serta pendekatan perumusan data, pembelajaran terawasi, dan evaluasi. Tinjauan literatur sistematis ini memetakan perkembangan pada 2023–2026 berdasarkan 30 artikel penelitian primer yang dapat ditelusuri dan dikelompokkan ke dalam empat kategori metodologis: pembelajaran mesin, pembelajaran mendalam, Transformer, dan LLM. Komposisi kumpulan penelitian berubah dari tahun ke tahun: pembelajaran mesin mencakup 77,8% penelitian pada 2023, turun menjadi 40,0% pada 2024, dan tidak ditemukan pada 2025–2026. Pendekatan Transformer dan LLM meningkat dari 0% pada 2023 menjadi 50,0% pada 2024, kemudian mencapai 100% pada 2025 dan 2026. Pembelajaran mendalam berperan sebagai tahap peralihan, terutama pada 2023–2024. Hasil kajian menunjukkan pergeseran fokus metodologis dari rekayasa fitur dan optimasi keseimbangan kelas menuju representasi kontekstual, adaptasi domain, penyusunan prompt, penyetelan lanjutan (fine-tuning), serta penilaian keandalan, keadilan, dan sensitivitas bahasa. Namun, peningkatan kapasitas model tidak selalu diikuti peningkatan ketahanan. Penelitian terbaru menyoroti sensitivitas terhadap prompt, perbedaan antarkelompok demografis, serta ketergantungan pada penyetelan lanjutan dan informasi khusus domain. Kajian ini merekomendasikan perbandingan terkendali, evaluasi multibahasa, keterulangan penelitian, pengukuran ketidakpastian, dan penerapan yang memperhatikan kebutuhan sumber daya. Kata kunci: Analisis Sentimen; Tinjauan Literatur Sistematis; Pembelajaran Mesin; Transformer; Model Bahasa Besar.

Copyrights © 2026






Journal Info

Abbrev

JSSR

Publisher

Subject

Computer Science & IT Economics, Econometrics & Finance Education Social Sciences

Description

Journal of Science and Social Research is accepts research works from academicians in their respective expertise of studies. Journal of Science and Social Research is platform to disclose the research abilities and promote quality and excellence of young researchers and experienced thoughts towards ...