Analisis Sentimen Ulasan Aplikasi CapCut Menggunakan Model RoBERTa Dengan Fitur Ekstraksi Word2vec

Abstract

Untuk meningkatkan akurasi klasifikasi sentimen pada ulasan aplikasi CapCut, penelitian ini menguji sebuah model hibrida yang dibangun dari kombinasi RoBERTa dan Word2Vec. Sebanyak 5.000 ulasan dari Google Play Store dijadikan sebagai dataset, yang kemudian diproses melalui tahap pembersihan data, tokenisasi, dan penghapusan stopword. Selanjutnya, teknik oversampling EDA digunakan untuk mengatasi masalah distribusi kelas yang tidak seimbang. Arsitektur model yang diajukan bekerja dengan menyatukan konkatenasi fitur vektor dari Word2Vec untuk representasi makna kata secara lokal, dan RoBERTa untuk pemahaman konteks kalimat secara menyeluruh. Evaluasi model menunjukkan pencapaian akurasi 80%, sebuah hasil yang lebih tinggi jika dibandingkan dengan akurasi 79% yang diperoleh oleh model baseline RoBERTa tunggal. Penelitian ini menyimpulkan bahwa penggabungan representasi fitur kontekstual dan semantik secara efektif menghasilkan performa klasifikasi sentimen yang lebih baik.