Model BERT dan BILSTM untuk Polarity Based Fine-grainned Sentiment Analysis

Aisyah Fortuna Nadapoetri Alhaq, Prof. Dr. Azhari,M.T

2025 | Tesis | S2 Ilmu Komputer

Penelitian ini mengusulkan sebuah pendekatan baru untuk analisis sentimen publik terhadap aplikasi layanan pemerintah di Indonesia dengan menggabungkan kekuatan representasi kontekstual BERT (Bidirectional Encoder Representations from Transformers) dan kemampuan sekuensial Bi-LSTM (Bidirectional Long Short-Term Memory) dalam satu arsitektur hybrid. Novelty dari penelitian ini terletak pada penerapan gabungan Polarity-Based Fine-Grained Sentiment Analysis (PBSA + FGSA) dan Aspect-Based Sentiment Analysis (ABSA + FGSA) dalam skala regresif (–2 hingga +2), yang belum banyak dieksplorasi pada domain layanan publik digital Indonesia. Pendekatan ini tidak hanya mampu menangkap intensitas opini secara lebih halus, tetapi juga mendeteksi opini secara spesifik terhadap tujuh aspek utama layanan, yaitu: layanan, fitur, aksesibilitas, keamanan, kinerja aplikasi, pembaruan, dan pengalaman pengguna. Model yang dikembangkan diuji menggunakan dataset ulasan publik dari aplikasi Satu Sehat, Digital Korlantas, dan Info BMKG. Hasil eksperimen menunjukkan bahwa kombinasi PBSA + FGSA dengan arsitektur BERT + Bi-LSTM menghasilkan performa terbaik, dengan nilai MAE (Mean Absolute Error) sebesar 0.24, R² Score mencapai 0.96, dan akurasi klasifikasi hingga 89.1% pada prediksi sentimen fine-grained. Temuan lain menunjukkan bahwa model ini mampu mengidentifikasi misclassification secara lebih terperinci, seperti bias terhadap ekspresi positif yang lembut dan ketidakmampuan membedakan aspek yang tumpang tindih dalam satu kalimat, sehingga memberikan wawasan penting untuk penyempurnaan di masa depan. Hasil penelitian ini diharapkan dapat menjadi fondasi metodologis baru untuk pengembangan sistem evaluasi layanan publik berbasis data, yang lebih sensitif terhadap variasi emosi dan persepsi pengguna.

This study proposes a new approach for public sentiment analysis towards government service applications in Indonesia by combining the power of BERT (Bidirectional Encoder Representations from Transformers) contextual representation and Bi-LSTM (Bidirectional Long Short-Term Memory) sequential capabilities in a single hybrid architecture. The novelty of this study lies in the combined application of Polarity-Based Fine-Grained Sentiment Analysis (PBSA + FGSA) and Aspect-Based Sentiment Analysis (ABSA + FGSA) on a regressive scale (–2 to +2), which has not been widely explored in the domain of Indonesian digital public services. This approach is not only able to capture the intensity of opinions more finely but also detect opinions specifically towards seven main aspects of the service, namely: service, features, accessibility, security, application performance, updates, and user experience. The developed model is tested using public review datasets from the Satu Sehat application, Digital Korlantas, and Info BMKG. Experimental results show that the combination of PBSA + FGSA with the BERT + Bi-LSTM architecture produces the best performance, with a MAE (Mean Absolute Error) value of 0.24, an R² Score reaching 0.96, and a classification accuracy of up to 89.1% on fine-grained sentiment prediction. Other findings indicate that this model is able to identify misclassifications in more detail, such as bias towards soft positive expressions and the inability to distinguish overlapping aspects within a single sentence, thus providing important insights for future improvements. The results of this study are expected to provide a new methodological foundation for the development of a data-driven public service evaluation system, which is more sensitive to variations in user emotions and perceptions.

Kata Kunci : Polarity Based, Fine-Grained, Optimalisasi, BERT, Bi-LSTM