Penerapan Model Transformers untuk Analisis Sentimen pada Survei Tahunan di Aplikasi Market Visit pada PT ASDFE
DOI:
https://doi.org/10.33795/jip.v12i4.8783Keywords:
survei, analisis sentimen, transformer, IndoBERT, RoBERTa, survei tahunan, NLPAbstract
PT ASDFE menggunakan survei tahunan untuk mengevaluasi kinerja perusahaan berdasarkan masukan dari mitracabang dan distributor. Seiring dengan peningkatan jumlah responden survei tahunan dari berdampak padalamanya proses analisis data survei tahunan secara manual. volume data yang terus bertambah berdampak waktuyang dibutuhkan untuk mengekstrak opini dan mengevaluasi kinerja perusahaan menjadi tidak efisien. Penelitianini mengembangkan sistem analisis sentimen otomatis berbasis web menggunakan model Transformer, denganmemanfaatkan model pra-latih IndoBERT untuk data berbahasa Indonesia dan RoBERTa untuk data berbahasaInggris. Dataset yang digunakan berasal dari survei tahun 2021–2023 yang telah diberi label untuk proses fine-tuning pada masing-masing model. Evaluasi model dilakukan menggunakan metrik AUC-ROC dengan hasil 0,99untuk IndoBERT dan 1,00 untuk RoBERTa menggunakan 10% dari total dataset, serta pengujian User AcceptanceTest (UAT). Hasil implementasi menunjukkan bahwa sistem mampu mengurangi waktu analisis dari 360 menitmenjadi 35 menit dan mencapai tingkat kepuasan pengguna sebesar 98%. Temuan ini menunjukkan bahwa modelTransformer efektif dalam mengotomatisasi analisis sentimen dengan tingkat akurasi yang tinggi.
Downloads
References
Agustiani, S., Aryanti, R., Khotimatul Wildah, S., Arifin, Y. T., Marlina, S., & Misriati, T. (2024). Optimisasi model deep learning untuk deteksi penyakit daun tebu dengan fine-tuning MobileNetV2. Journal of Informatics Management and Information Technology, 4(4), 150–157.
Bhaskar, A. (2020). An interpretation and anatomization of Angular: A Google web framework. International Research Journal of Engineering and Technology, 7613–7619. http://www.irjet.net
Cascante-Bonilla, P., Tan, F., Qi, Y., & Ordonez, V. (2021). Curriculum labeling: Revisiting pseudo-labeling for semi-supervised learning. Proceedings of the AAAI Conference on Artificial Intelligence, 35(8), 6912–6920. https://doi.org/10.1609/aaai.v35i8.16852
Fahrullah, F., Haerullah, H., & Ridhawani, A. (2025). Analisis blackbox testing dan user acceptance testing terhadap sistem informasi Posyandu Dondang. Journal of Practical Computer Science, 5(1), 42–50. https://doi.org/10.37366/jpcs.v5i1.5780
Fikri, M. I., Sabrila, T. S., & Azhar, Y. (2020). Comparison of Naïve Bayes and support vector machine methods in Twitter sentiment analysis. Smatika Jurnal, 10(2), 71–76.
Geni, L., Yulianti, E., & Sensuse, D. I. (2023). Sentiment analysis of tweets before the 2024 elections in Indonesia using BERT language models. Jurnal Ilmiah Teknik Elektro Komputer dan Informatika, 9(3), 746–757. https://doi.org/10.26555/jiteki.v9i3.26490
Gesinski, B. (2025). Introduction to database and MySQL.
Koto, F., & Baldwin, T. (2020). IndoLEM and IndoBERT: A benchmark dataset and pre-trained language model for Indonesian NLP. [Nama prosiding/jurnal belum tersedia], 757–770.
Maidiana, M. (2021). ALACRITY: Journal of Education. Journal of Education, 1(2), 20–29.
Mohiuddin, K., Welke, P., Alam, M. A., Martin, M., Alam, M. M., Lehmann, J., & Vahdati, S. (2023). Retention is all you need. Proceedings of the 32nd ACM International Conference on Information and Knowledge Management, 4752–4758. https://doi.org/10.1145/3583780.3615497
Narabel, J., & Budi, S. (2020). Deteksi dini status keanggotaan industri kebugaran menggunakan pendekatan supervised learning. Jurnal Teknik Informatika dan Sistem Informasi, 6(2), 266–277. https://doi.org/10.28932/jutisi.v6i2.2675
Ramdany, S. (2024). Penerapan UML class diagram dalam perancangan sistem informasi perpustakaan berbasis web. Journal of Industrial and Engineering System, 5(1). https://doi.org/10.31599/2e9afp31
Setiadi, B., Purwanto, E., & Permatasari, H. (2024). Optimisasi klasifikasi sentimen pada review hotel bahasa Inggris dengan model RoBERTa Twitter. SINTECH (Science and Information Technology) Journal, 7(2), 70–79. https://doi.org/10.31598/sintechjournal.v7i2.1547
Topan Adib Amrulloh, I., Nurina Sari, B., & Nur Padilah, T. (2024). Evaluasi augmentasi data pada deteksi penyakit daun tebu dengan YOLOv8. JATI (Jurnal Mahasiswa Teknik Informatika), 8(4), 7547–7552. https://doi.org/10.36040/jati.v8i4.10267
Vu, A. (2021). Real-time backend architecture using Node.js, Express and Google Cloud Platform.
Warstadt, A., Zhang, Y., Li, H., Liu, H., & Bowman, S. R. (2020). Learning which features matter: RoBERTa acquires a preference for linguistic generalizations (eventually). [Nama prosiding/jurnal belum tersedia], 217–235.
Wartschinski, L., Noller, Y., Vogel, T., Kehrer, T., & Grunske, L. (2022). VUDENC: Vulnerability detection with deep learning on a natural codebase for Python. Information and Software Technology, 144, 106809. https://doi.org/10.1016/j.infsof.2021.106809
