ANALISIS KARAKTERISTIK DAN KETIDAKSEIMBANGAN KELAS ULASAN TOKOPEDIA SEBAGAI DASAR FINE-TUNING INDOBERT

Abstrak

Pertumbuhan ulasan pada platform e-commerce menghasilkan data teks berbahasa Indonesia dalam jumlah besar, tetapi distribusi label yang tidak seimbang dapat menyebabkan model klasifikasi tampak memiliki performa tinggi tanpa benar-benar mampu mengenali kelas minoritas. Penelitian ini menganalisis karakteristik, kualitas, dan ketidakseimbangan kelas pada beberapa sumber ulasan Tokopedia sebagai dasar penyusunan fine-tuning IndoBERT untuk klasifikasi sentimen tiga kelas. Analisis dilakukan terhadap Tokopedia Product Reviews 2025 sebagai dataset utama serta dua sumber pembanding, yaitu Tokopedia Product Reviews 2019 dan dataset Tokopedia raw yang telah dibersihkan. Tahapan meliputi audit struktur data, pemeriksaan data kosong dan duplikasi, pemetaan rating menjadi sentimen positif, netral, dan negatif, analisis distribusi kelas, serta perhitungan majority-class baseline. Hasil menunjukkan bahwa dataset 2025 terdiri atas 65.543 ulasan dengan 97,56% positif, 1,22% netral, dan 1,22% negatif. Pada dataset raw, dari 1.346.623 entri awal diperoleh 1.072.812 ulasan unik non-kosong setelah pembersihan. Ketiga sumber menunjukkan dominasi kelas positif dengan majority baseline antara 93,23% dan 97,56%. Temuan ini menunjukkan bahwa accuracy tidak memadai sebagai satu-satunya indikator performa. Evaluasi IndoBERT perlu menekankan macro F1, precision, recall, F1-score per kelas, dan confusion matrix, khususnya untuk kelas netral dan negatif. Hasil analisis menegaskan bahwa kualitas preprocessing, konsistensi pelabelan, dan strategi evaluasi pada data tidak seimbang merupakan prasyarat penting sebelum fine-tuning IndoBERT dilakukan.