OPTIMASI INDOBERT MENGGUNAKAN MULTI-OBJECTIVE BAYESIAN OPTIMIZATION UNTUK ANALISIS SENTIMEN ULASAN BUKU

Analisis sentimen ulasan buku berbahasa Indonesia memerlukan model yang tidak hanya akurat tetapi juga efisien untuk mendukung sistem real-time. Penelitian ini mengevaluasi hasil optimasi IndoBERT menggunakan Multi-Objective Bayesian Optimization (MOBO) guna meningkatkan macro-F1 score dan menurunkan p95 inference latency. Dataset terdiri dari 3.269 ulasan berlabel positif dan negatif dari website Zahira Media Publisher yang dibagi secara stratified (70% latih, 15% validasi, 15% uji). Model IndoBERT (indobenchmark/indobert-base-p1) dilatih sebagai baseline, lalu dioptimasi menggunakan Optuna melalui Tree-structured Parzen Estimator (TPE) dan Random Sampler dalam skema multi-objektif. Evaluasi menggunakan macro-F1 score dan p95 inference latency. Model baseline memperoleh macro-F1 sebesar 0,8715 dan p95 latency 25,5060 ms, sedangkan model hasil optimasi mencapai macro-F1 sebesar 0,9977 dan p95 latency 11,8410 ms. Hasil ini menunjukkan MOBO meningkatkan akurasi sekaligus efisiensi inferensi secara signifikan, sehingga konfigurasi IndoBERT hasil optimasi layak diterapkan pada sistem analisis sentimen real-time di Zahira Media Publisher.