RANCANG BANGUN MODEL DEEP LEARNING BAHASA INDONESIA BERBASIS INDOBERTWEET UNTUK KLASIFIKASI RATING BERDASARKAN ULASAN E-COMMERCE

Penelitian ini bertujuan untuk mengurangi subyektivitas dalam ulasan pelanggan pada platform e-commerce dengan memanfaatkan model pemrosesan bahasa alami natural language processing (NLP) seperti BERT, khususnya IndoBERTweet yang dilatih dalam Bahasa Indonesia. Ulasan pelanggan sering kali bersifat subjektif, mengandung emoji, slang, dan singkatan yang sulit diinterpretasi secara objektif. Subyektivitas ini dapat memengaruhi keputusan pembelian dan membingungkan calon pembeli. Model NLP ini digunakan untuk mengklasifikasikan rating dan ulasan pelanggan (bintang 1-5) untuk mengurangi subyektivitas dalam ulasan tersebut. Dataset yang digunakan pada penelitian ini berjumlah 137.844. Dataset telah dibagi menjadi 3 bagian menjadi dataset test sebanyak 3447, dataset pelatihan sebanyak 124316, dan dataset validasi sebanayak 10080 yang bersumber dari rating ulasan produk kecantikan Tokopedia dan Shopee. Hasil klastering menggunakan tokenizer IndoBERTweet yang telah dihilangkan kata sambungnya menunjukkan bahwa ulasan terdiri dari 6 kelas, dengan 1 kelas yang tersebar melintasi klaster lain. Hal tersebut menunjukkan bahwa adanya subyektivitas dan ambiguitas. Model BERT yang dihasilkan dari penelitian ini dapat meningkatkan klasifikasi sentimen menjadi 5 kelas, dengan kinerja model untuk iterasi training ke 6 menunjukkan F1 score sebesar 0.535799, ROC AUC sebesar 0.704911, dan akurasi sebesar 0.504167. Model BERT ini diunggah ke platform Hugging Face untuk memungkinkan inferensi langsung melalui API, sehingga dapat digunakan secara praktis. Berdasarkan hasil yang diperoleh dari penelitian ini disarankan untuk penelitian selanjutnya meningkatkan kualitas dataset agar meningkatkan akurasi model secara keseluruhan. Selain itu model ini dapat di implementasikan sebagai model pembobotan rekomendasi produk dan model ini juga dapat dimanfaatkan sebagai pertimbangan algoritma untuk memunculkan produk yang dicari di halaman pertama.