Gambar Ilustrasi AI
FORMOSA NEWS - Lampung - BERT Jadi Model AI Paling Akurat untuk Analisis Sentimen Ulasan Amazon. Penelitian yang dilakukan oleh Tri Noviantoro dari Universitas Muhammadiyah Lampung dan Suryaneta dari Institut Teknologi Sumatera dalam artikel penelitian yang dipublikasikan pada Formosa Journal of Computer and Information Science (FJCIS) edisi Vol. 5 No. 1 Tahun 2026 menyoroti bahwa BERT mampu mengungguli seluruh model lain dalam mendeteksi sentimen positif maupun negatif pelanggan secara lebih akurat.
Penelitian yang dilakukan oleh Tri Noviantoro dari Universitas Muhammadiyah Lampung dan Suryaneta dari Institut Teknologi Sumatera jutaan ulasan pelanggan di platform e-commerce kini menjadi sumber utama perusahaan untuk memahami kepuasan konsumen dan menentukan strategi bisnis.
Tantangan Besar di Era Perdagangan Digital
Di era perdagangan digital, perusahaan menghadapi tantangan besar dalam memahami jutaan komentar pelanggan yang muncul setiap hari di marketplace seperti Amazon. Analisis sentimen menjadi alat penting karena dapat membantu perusahaan membaca opini konsumen, mengevaluasi kepuasan pelanggan, hingga menentukan strategi pemasaran dan pengembangan produk. Peneliti menjelaskan bahwa ulasan pelanggan sering kali mengandung konteks yang kompleks, ambigu, bahkan emosional. Karena itu, metode lama berbasis klasifikasi sederhana mulai mengalami keterbatasan ketika harus memahami bahasa manusia yang semakin beragam.
Metode Tantangan Besar di Era Perdagangan Digital
Penelitian ini menggunakan dataset Amazon Product Reviews kategori “All Beauty” yang berisi lebih dari satu juta ulasan pelanggan. Data tersebut mencakup isi review, rating bintang, judul ulasan, waktu unggahan, status pembelian terverifikasi, hingga jumlah suara “helpful” dari pengguna lain. Dataset kemudian dibagi menjadi data pelatihan dan pengujian sebelum diproses menggunakan empat model AI berbeda. Para peneliti melakukan pembersihan data dengan menghapus tanda baca, angka, dan kata-kata umum yang tidak relevan. Setelah itu, sistem AI dilatih untuk mengelompokkan ulasan menjadi sentimen positif atau negatif berdasarkan rating pelanggan. Ulasan bintang 1 sampai 3 dikategorikan sebagai sentimen negatif, sedangkan bintang 4 dan 5 dianggap positif.
Hasil Pengujian di Era Perdagangan Digital
Penelitian juga menemukan bahwa Naive Bayes dan SVM menghasilkan lebih banyak kesalahan klasifikasi, terutama ketika menghadapi ulasan yang panjang dan bergantung pada konteks. Kedua model memang lebih ringan secara komputasi, tetapi kurang mampu memahami hubungan emosional yang tersembunyi dalam teks pelanggan. Di sisi lain, LSTM menunjukkan kemampuan cukup baik dalam memahami pola kalimat berurutan. Model ini efektif menangkap konteks dari bagian awal hingga akhir ulasan. Namun, performanya masih sedikit di bawah BERT dalam hal memahami hubungan kata yang lebih kompleks. Menurut Peneliti hasil penelitian ini penting bagi perusahaan e-commerce dan industri digital yang mengandalkan data pelanggan sebagai dasar pengambilan keputusan. Dengan analisis sentimen berbasis AI, perusahaan dapat memantau kepuasan pelanggan secara real time, mendeteksi masalah produk lebih cepat, serta meningkatkan kualitas layanan berdasarkan opini konsumen.
Implikasi Menghadapi di Era Perdagangan Digital
BERT dinilai cocok digunakan pada aplikasi yang membutuhkan akurasi tinggi, seperti pemantauan reputasi merek, analisis ulasan produk, hingga evaluasi kampanye pemasaran digital. Namun, model ini memerlukan sumber daya komputasi besar, termasuk GPU berkapasitas tinggi untuk proses pelatihan data. Dalam penelitian ini, seluruh model dilatih menggunakan Google Colab Pro dengan GPU NVIDIA A100 dan RAM 32 GB. Sebaliknya, Naive Bayes dan SVM masih relevan digunakan pada perusahaan atau institusi dengan keterbatasan infrastruktur teknologi karena lebih ringan dan cepat dijalankan. Pilihan model AI, menurut peneliti, harus disesuaikan dengan kebutuhan bisnis, kapasitas perangkat, dan tingkat akurasi yang diinginkan. Penelitian ini juga membuka peluang pengembangan lebih lanjut, termasuk analisis sentimen multibahasa dan integrasi data visual seperti gambar serta video produk. Penulis menyebut pendekatan tersebut dapat membantu menciptakan sistem pemahaman pelanggan yang lebih komprehensif di masa depan. Selain itu, studi lanjutan juga dapat menguji performa model AI pada kategori produk lain seperti elektronik, buku, atau media sosial lintas platform untuk melihat sejauh mana model dapat beradaptasi dengan berbagai jenis data pelanggan.
Profil Penulis
Penelitian yang dilakukan oleh Tri Noviantoro dari Universitas Muhammadiyah Lampung dan Suryaneta dari Institut Teknologi Sumatera jutaan ulasan pelanggan di platform e-commerce kini menjadi sumber utama perusahaan untuk memahami kepuasan konsumen dan menentukan strategi bisnis.
Tantangan Besar di Era Perdagangan Digital
Di era perdagangan digital, perusahaan menghadapi tantangan besar dalam memahami jutaan komentar pelanggan yang muncul setiap hari di marketplace seperti Amazon. Analisis sentimen menjadi alat penting karena dapat membantu perusahaan membaca opini konsumen, mengevaluasi kepuasan pelanggan, hingga menentukan strategi pemasaran dan pengembangan produk. Peneliti menjelaskan bahwa ulasan pelanggan sering kali mengandung konteks yang kompleks, ambigu, bahkan emosional. Karena itu, metode lama berbasis klasifikasi sederhana mulai mengalami keterbatasan ketika harus memahami bahasa manusia yang semakin beragam.
Metode Tantangan Besar di Era Perdagangan Digital
Penelitian ini menggunakan dataset Amazon Product Reviews kategori “All Beauty” yang berisi lebih dari satu juta ulasan pelanggan. Data tersebut mencakup isi review, rating bintang, judul ulasan, waktu unggahan, status pembelian terverifikasi, hingga jumlah suara “helpful” dari pengguna lain. Dataset kemudian dibagi menjadi data pelatihan dan pengujian sebelum diproses menggunakan empat model AI berbeda. Para peneliti melakukan pembersihan data dengan menghapus tanda baca, angka, dan kata-kata umum yang tidak relevan. Setelah itu, sistem AI dilatih untuk mengelompokkan ulasan menjadi sentimen positif atau negatif berdasarkan rating pelanggan. Ulasan bintang 1 sampai 3 dikategorikan sebagai sentimen negatif, sedangkan bintang 4 dan 5 dianggap positif.
Hasil Pengujian di Era Perdagangan Digital
Penelitian juga menemukan bahwa Naive Bayes dan SVM menghasilkan lebih banyak kesalahan klasifikasi, terutama ketika menghadapi ulasan yang panjang dan bergantung pada konteks. Kedua model memang lebih ringan secara komputasi, tetapi kurang mampu memahami hubungan emosional yang tersembunyi dalam teks pelanggan. Di sisi lain, LSTM menunjukkan kemampuan cukup baik dalam memahami pola kalimat berurutan. Model ini efektif menangkap konteks dari bagian awal hingga akhir ulasan. Namun, performanya masih sedikit di bawah BERT dalam hal memahami hubungan kata yang lebih kompleks. Menurut Peneliti hasil penelitian ini penting bagi perusahaan e-commerce dan industri digital yang mengandalkan data pelanggan sebagai dasar pengambilan keputusan. Dengan analisis sentimen berbasis AI, perusahaan dapat memantau kepuasan pelanggan secara real time, mendeteksi masalah produk lebih cepat, serta meningkatkan kualitas layanan berdasarkan opini konsumen.
Implikasi Menghadapi di Era Perdagangan Digital
BERT dinilai cocok digunakan pada aplikasi yang membutuhkan akurasi tinggi, seperti pemantauan reputasi merek, analisis ulasan produk, hingga evaluasi kampanye pemasaran digital. Namun, model ini memerlukan sumber daya komputasi besar, termasuk GPU berkapasitas tinggi untuk proses pelatihan data. Dalam penelitian ini, seluruh model dilatih menggunakan Google Colab Pro dengan GPU NVIDIA A100 dan RAM 32 GB. Sebaliknya, Naive Bayes dan SVM masih relevan digunakan pada perusahaan atau institusi dengan keterbatasan infrastruktur teknologi karena lebih ringan dan cepat dijalankan. Pilihan model AI, menurut peneliti, harus disesuaikan dengan kebutuhan bisnis, kapasitas perangkat, dan tingkat akurasi yang diinginkan. Penelitian ini juga membuka peluang pengembangan lebih lanjut, termasuk analisis sentimen multibahasa dan integrasi data visual seperti gambar serta video produk. Penulis menyebut pendekatan tersebut dapat membantu menciptakan sistem pemahaman pelanggan yang lebih komprehensif di masa depan. Selain itu, studi lanjutan juga dapat menguji performa model AI pada kategori produk lain seperti elektronik, buku, atau media sosial lintas platform untuk melihat sejauh mana model dapat beradaptasi dengan berbagai jenis data pelanggan.
Profil Penulis
Tri Noviantoro merupakan peneliti dari Universitas Muhammadiyah Lampung yang berfokus pada machine learning, natural language processing, dan analisis data.
Suryaneta adalah akademisi dari Institut Teknologi Sumatera dengan bidang keahlian teknologi informasi dan pengembangan sistem berbasis kecerdasan buatan.
Sumber Penelitian
Tri Noviantoro dan Suryaneta, Comparative Study of Machine Learning Models for Sentiment Analysis of Amazon Product Reviews. Formosa Journal of Computer and Information Science, Vol. 5 No. 1 Tahun 2026.
DOI: https://doi.org/10.55927/fjcis.v5i1.16389
URL: https://journal.formosapublisher.org/index.php/fjcis
Suryaneta adalah akademisi dari Institut Teknologi Sumatera dengan bidang keahlian teknologi informasi dan pengembangan sistem berbasis kecerdasan buatan.
Sumber Penelitian
Tri Noviantoro dan Suryaneta, Comparative Study of Machine Learning Models for Sentiment Analysis of Amazon Product Reviews. Formosa Journal of Computer and Information Science, Vol. 5 No. 1 Tahun 2026.
DOI: https://doi.org/10.55927/fjcis.v5i1.16389
URL: https://journal.formosapublisher.org/index.php/fjcis
0 Komentar