PENGEMBANGAN METODE SENTIMEN ANALISIS BAHASA INDONESIA MENGGUNAKAN DISTILBERT DENGAN FUZZY SOM

Abstract

Seiring lonjakan data diera digitalisasi, efisiensi komputasi menjadi aspek krusial dalam penerapan analisis sentimen Bahasa Indonesia. Hal ini didasari oleh kendala pada model bahasa standar yang cenderung berat dan lambat, sehingga sulit diterapkan pada skenario pemrosesan data skala besar secara realtime atau pada perangkat dengan spesifikasi terbatas. Penelitian ini bertujuan mengembangkan metode analisis sentimen teks Bahasa Indonesia dengan menyederhanakan arsitektur deep learning IndoBERT menjadi DistilBERT yang lebih ringan secara komputasi. Dataset Indo4B digunakan melalui tahapan preprocessing, pelabelan, dan fine-tuning dengan model DistilBERT. Selanjutnya, optimalisasi hasil klasifikasi model DistilBERT fine-tuned dilakukan menggunakan algoritma Trapezoidal Fuzzy Membership dan Self Organizing Maps (SOM) berdasarkan nilai confidence dan distribusi representasi node, agar performanya dapat menyamai IndoBERT. Hasil evaluasi menunjukkan peningkatan akurasi dari 79.85% menjadi 80.42%, serta peningkatan pada Precision, Recall, dan F1-Score. Hal ini membuktikan bahwa kombinasi DistilBERT dengan Fuzzy dan SOM menghasilkan klasifikasi sentimen multilevel yang lebih efisien dan akurat untuk teks Bahasa Indonesia