ANALISIS SENTIMEN MULTI-PLATFORM DIGITAL MENGGUNAKAN BERT DENGAN PENDEKATAN PENYEIMBANGAN DISTRIBUSI KELAS

Abstract

Analisis sentimen merupakan bagian penting dalam Natural Language Processing (NLP) yang digunakan untuk memahami opini pengguna terhadap layanan digital melalui data teks. Meningkatnya jumlah ulasan pada berbagai platform daring menuntut metode klasifikasi sentimen yang akurat dan andal. Namun, permasalahan utama yang sering dihadapi adalah ketidakseimbangan distribusi kelas sentimen, di mana data positif mendominasi dibandingkan sentimen netral dan negatif, sehingga berpotensi menurunkan performa model. Penelitian ini bertujuan untuk mengevaluasi kinerja model BERT dalam klasifikasi sentimen ulasan multi-platform serta menganalisis pengaruh teknik augmentasi data dalam mengatasi ketidakseimbangan kelas. Metode penelitian meliputi tahap pre-processing teks, penerapan teknik augmentasi data berupa Synonym Replacement, Contextual Word Embeddings, dan Back Translation, serta pelatihan dan pengujian model BERT pada dataset Coursera, Starbucks, dan Threads. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa penerapan kombinasi teknik augmentasi data mampu meningkatkan performa model secara signifikan, dengan akurasi tertinggi mencapai 99,83% pada dataset Coursera, serta meningkatkan kemampuan generalisasi model dalam klasifikasi sentimen