Analisis Sentimen pada Ulasan E-Commerce Menggunakan Strategi Adaptasi Pre-Trained Model Indo-ELECTRA

Abstrak

Sektor e-commerce di Indonesia telah bertransformasi menjadi pilar utama dalam ekosistem ekonomi digital saat ini. Namun, besarnya volume ulasan pelanggan seringkali menjadi kendala bagi pelaku bisnis untuk mengekstraksi informasi kepuasan pelanggan secara manual. Tantangan signifikan dalam pemrosesan data ulasan adalah penggunaan bahasa yang tidak terstruktur, adanya kata-kata singkatan, serta ketidakseimbangan distribusi kelas sentimen yang ekstrem. Penelitian ini mengajukan strategi adaptasi Transfer Learning memanfaatkan model bahasa pre-trained Indo-ELECTRA yang di-fine-tune khusus untuk mengategorikan ulasan Tokopedia ke dalam tiga kategori: sentimen positif, netral, dan negatif. Dataset yang diuji mencakup 65,544 entri data. Tahapan evaluasi kinerja model diukur menggunakan instrumen Confusion Matrix dan kurva ROC-AUC. Hasil eksperimen memperlihatkan bahwa arsitektur Indo-ELECTRA memiliki ketajaman dalam menangkap konteks ulasan dengan capaian Akurasi sebesar 97,83% dan F1-Score macro sebesar 0,58. Di samping itu, perolehan nilai AUC sebesar 0,96 menegaskan reliabilitas model dalam mengidentifikasi perbedaan antar kelas sentimen. Riset ini mengonfirmasi bahwa optimalisasi model transformer melalui teknik fine-tuning sangat kompeten dalam mendukung sistem pemantauan reputasi layanan di industri e-commerce.