Penerapan IndoBERT Embedding dan Long Short-Term Memory dalam Analisis Sentimen Ulasan Game Roblox di Media Sosial Tiktok

Abstract

TikTok merupakan salah satu platform media sosial yang banyak digunakan masyarakat untuk menyampaikan pendapat, termasuk mengenai game Roblox. Roblox sendiri menjadi topik yang cukup kontroversial karena munculnya berbagai kekhawatiran terkait keamanan platform ini, seperti paparan konten yang tidak sesuai usia, interaksi dengan pihak asing yang tidak terkontrol, hingga praktik monetisasi yang dianggap dapat mengeksploitasi pengguna muda, sehingga menimbulkan kekhawatiran di kalangan orang tua dan masyarakat luas. Tingginya volume komentar pengguna terkait isu-isu tersebut mendorong perlunya pendekatan otomatis dalam menganalisis sentimen secara efisien dan objektif. Penelitian ini bertujuan mengklasifikasikan sentimen komentar pengguna TikTok terhadap game Roblox ke dalam dua kategori yaitu Positif dan Negatif, menggunakan kombinasi IndoBERT embedding sebagai representasi teks dan Long Short-Term Memory (LSTM) sebagai algoritma klasifikasi. Untuk mengatasi ketidakseimbangan kelas pada data, diterapkan metode Synthetic Minority Oversampling Technique (SMOTE) yang berhasil meningkatkan jumlah data training dari 5.836 menjadi 9.710 data. Proses hyperparameter tuning dilakukan menggunakan metode Hyperband dan menghasilkan kombinasi parameter terbaik dengan nilai val_accuracy sebesar 0,923235. Model yang dilatih ulang menggunakan kombinasi parameter terbaik tersebut menghasilkan akurasi pelatihan sebesar 99,03% dan akurasi validasi sebesar 97,94%. Evaluasi model terhadap 1.824 data testing menghasilkan akurasi keseluruhan sebesar 91,72%, dengan nilai precision, recall, dan F1-score untuk kelas Negatif masing-masing sebesar 93,06%, 97,30%, dan 95,13%, serta untuk kelas Positif sebesar 82,77%, 64,17%, dan 72,29%. Hasil penelitian menunjukkan bahwa kombinasi IndoBERT embedding dan LSTM mampu melakukan klasifikasi sentimen komentar berbahasa Indonesia dengan baik, meskipun masih terdapat ruang untuk peningkatan pada deteksi kelas minoritas.