KLASIFIKASI SENTIMEN ULASAN PENGGUNA HALODOC MULTIPLATFORM MENGGUNAKAN LSTM DENGAN PELABELAN INDOBERT

Abstract

Pertumbuhan layanan telemedicine di Indonesia menghasilkan volume ulasan pengguna yang besar pada toko aplikasi dan media sosial.
Ulasan tersebut memuat pengalaman. kritik. serta saran yang dapat digunakan untuk mengevaluasi kualitas layanan. tetapi jumlahnya
membuat analisis manual menjadi tidak efisien. Penelitian ini menerapkan Long Short-Term Memory (LSTM) untuk
mengklasifikasikan sentimen ulasan Halodoc yang dihimpun dari Google Play Store dan platform X. Dataset gabungan berisi 20.535
teks. terdiri atas 10.000 ulasan Google Play Store dan 10.535 unggahan X. Tahap pengolahan meliputi case folding, cleansing,
normalisasi kata, tokenisasi, dan penghapusan stopword. Label sentimen positif, netral, dan negatif dibentuk secara otomatis
menggunakan IndoBERT, kemudian data dibagi menjadi 80% data latih dan 20% data uji untuk pelatihan model LSTM. Hasil
pengujian menunjukkan accuracy 86,12%, precision 86,14%, recall 86,12%, dan F1-score 86,12%. Audit terhadap berkas data mentah
juga menunjukkan heterogenitas panjang teks antarsumber dan keberadaan duplikasi persis yang perlu diperhatikan untuk mencegah
kebocoran data. Secara umum, LSTM mampu mengklasifikasikan sentimen pada data multi-platform dengan performa yang konsisten,
sedangkan validasi manual terhadap label IndoBERT dan pengendalian duplikasi menjadi langkah penting untuk memperkuat validitas
hasil