Evaluasi Komparatif Analisis Sentimen Komentar Media Sosial Menggunakan Multinomial Naïve Bayes, Bidirectional-LSTM dan Transfer Learning

Abstract

Komentar pada media sosial dapat digunakan sebagai umpan balik cepat untuk mengevaluasi kualitas layanan suatu institusi. Penelitian ini membandingkan empat pendekatan klasifikasi sentimen pada komentar Facebook dan Instagram institusi pendidikan (studi kasus: akun resmi Universitas Terbuka), yaitu Multinomial Naïve Bayes (TF-IDF), Text Vectorization & Embedding (TensorFlow), Bidirectional-LSTM, dan Universal Sentence Encoder (USE)–Transfer Learning. Tujuan penelitian ini adalah mengidentifikasi model dengan kinerja terbaik untuk klasifikasi sentimen positif dan negatif pada komentar media sosial berbahasa Indonesia. Dataset yang digunakan terdiri dari 333 komentar Facebook dan 663 komentar Instagram, kemudian dilakukan penyeimbangan kelas melalui proses filtering sehingga diperoleh 154 komentar Facebook dan 178 komentar Instagram untuk pemodelan. Hasil evaluasi menunjukkan Bidirectional-LSTM memberikan performa terbaik, dengan akurasi 0,88 dan F1-score 0,89 pada Facebook, serta akurasi 0,74 dan F1-score 0,84 pada Instagram. Model dengan performa terendah pada kedua platform adalah USE–Transfer Learning. Temuan ini mengindikasikan bahwa Bidirectional-LSTM lebih efektif untuk menangkap konteks sekuensial pada komentar media sosial, sehingga dapat dimanfaatkan sebagai dasar pemantauan kualitas layanan secara berkala. Namun, akurasi seluruh model masih berada di bawah 90%, sehingga penelitian lanjutan diperlukan, misalnya melalui perluasan data, penanganan ketidakseimbangan kelas yang lebih robust, dan optimasi arsitektur/model pralatih