Analisa Sentimen Terhadap Ulasan Pengguna Pada Aplikasi Polri Presisi Menggunakan Metode BERT-Bidirectional Encorder Representasion from Transformers
DOI:
https://doi.org/10.52362/jisicom.v9i2.2140Keywords:
Analisis, Sentimen, Polri, Presisi, Ulasan, PenggunaAbstract
Aplikasi Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna pada aplikasi Polri Presisi menggunakan metode BERT (Bidirectional Encoder Representations from Transformers). Sebanyak 10.000 ulasan dari Google Play Store dikumpulkan melalui proses scraping dan diproses melalui tahapan pre-processing seperti case folding, pembersihan data, tokenisasi, penghapusan stopwords, normalisasi, dan stemming. Model BERT dilatih dan diuji menggunakan 3.000 data uji, menghasilkan akurasi 86,6% dan Matthews Correlation Coefficient (MCC) 0,720. Model memiliki kinerja tinggi pada sentimen negatif (precision 0,89; recall 0,92) dan positif (precision 0,90; recall 0,86), namun masih rendah pada sentimen netral (precision 0,20; recall 0,18). Hasil ini menunjukkan efektivitas BERT dalam analisis sentimen berbahasa Indonesia, sekaligus mengindikasikan perlunya peningkatan performa pada kelas netral.
References
[2.] A. B. Prabowo, 2021, "Analisis Sentimen pada Ulasan Produk E-Commerce Menggunakan Metode Deep Learning," Jurnal Informatika, vol. 15, no. 1, pp. 45-56, 2021.
[3.] C. J. Chen and L. D. Wang, 2023, "Social Media Sentiment Analysis for Public Policy Decision-Making," Big Data Analytics, vol. 7, no. 3, pp. 112-125.
[4.] J. A. Lee, 2020, "Foundations of Neural Networks and Their Role in Pattern Recognition," International Journal of Artificial Intelligence, vol. 12, no. 4, pp. 210-225.
[5.] B. A. M. Nur, 2022, "Pendekatan Linguistik dan Komputasional dalam Natural Language Processing (NLP)," Jurnal Bahasa dan Teknologi, vol. 10, no. 2, pp. 78-91.
[6.] M. F. Rasyid, 2023, "Perbandingan Algoritma Machine Learning dalam Klasifikasi Teks Berbahasa Indonesia," Prosiding Konferensi Nasional Teknologi Informasi dan Komunikasi.
[7.] P. A. Johnson, 2021, "Understanding the Core Principles of Machine Learning Algorithms," Journal of Data Science, vol. 9, no. 1, pp. 55-68.
[8.] B. T. Han, 2024, "A Survey of Supervised, Unsupervised, and Reinforcement Learning in Modern AI," Expert Systems, vol. 40, no. 6, pp. 412-428.
[9.] K. L. Wu, A. R. Singh, and S. M. Patel,2024, "Adaptive Learning Systems: Principles and Applications," IEEE Transactions on Systems, Man, and Cybernetics, vol. 54, no. 2, pp. 301-315.
[10.] S. A. Ginting, 2023, "Ekstraksi Informasi Berbasis Kunci dalam Text Mining untuk Analisis Big Data," Jurnal Sains Komputer, vol. 22, no. 3, pp. 199-211.
[11.] M. A. Fitri, 2021, "Penerapan Model BERT untuk Klasifikasi Teks dengan Data Berbahasa Inggris," Seminar Nasional Informatika.
[12.] J. S. Li and R. M. Davis, 2022, "Contextual Embeddings with Bidirectional Transformers: A Deep Dive into BERT," Computational Linguistics, vol. 48, no. 1, pp. 50-65.
[13.] N. P. Sari, 2023, "Fine-Tuning BERT for Sentiment Analysis: A Comparative Study," International Journal of AI and Society, vol. 16, no. 4, pp. 789-801.
[14.] I. B. Setiawan, 2021, "Pengembangan IndoBERT: Model Bahasa Transformasi untuk Bahasa Indonesia," Konferensi Internasional Bahasa dan Teknologi.
[15.] R. M. Wibowo, 2022, "Analisis Kinerja IndoBERT pada Tugas Natural Language Understanding (NLU) Bahasa Indonesia," Jurnal Teknologi Informasi, vol. 14, no. 2, pp. 110-125.
