OPTIMASI AKURASI ANALISIS SENTIMEN ULASAN LINKAJA DENGAN PENDEKATAN PRE-TRAINED MODEL INDOBERT

Abstract

LinkAja merupakan salah satu platform dompet digital utama di Indonesia, namun volume ulasan pengguna yang besar dan tidak terstruktur di Google Play Store Menggunakan dataset sebanyak 6838 ulasan dari Google Play Store Sehingga menimbulkan tantangan dalam memantau tingkat kepuasan pelanggan secara manual. Analisis sentimen tradisional seringkali gagal menangkap konteks bahasa Indonesia yang informal dan ambigu. Penelitian ini bertujuan untuk mengoptimasi akurasi klasifikasi sentimen ulasan LinkAja menggunakan pendekatan pre-trained model IndoBERT. Metode yang digunakan adalah eksperimental dengan teknik fine-tuning pada model IndoBERT-base-p1. Data penelitian terdiri dari ulasan pengguna yang diambil melalui teknik scraping, kemudian dipra-proses dan dikategorikan menjadi sentimen positif dan negatif. Hasil penelitian menunjukkan bahwa pendekatan ini berhasil mencapai performa klasifikasi optimal dengan akurasi tertinggi sebesar 94% pada konfigurasi batch size 15 dan epoch 5. Penelitian ini membuktikan bahwa pemanfaatan context-aware embedding pada IndoBERT mampu mengatasi ambiguitas linguistik pada data ulasan fintech, sehingga dapat memberikan wawasan yang lebih presisi bagi pengembang untuk meningkatkan kualitas layanan.