ANALISIS SENTIMEN ULASAN PRODUK TOKO ONLINE RAVA.ID UNTUK PENINGKATAN PRODUK MENGGUNAKAN ALGORITMA INDOBERT&ROBERTA
Abstrak
Penelitian ini bertujuan untuk menganalisis sentimen ulasan produk toko online Rava.ID guna memberikan
rekomendasi strategis dalam peningkatan produk dan layanan. Dalam penelitian ini, digunakan algoritma IndoBERT
dan RoBERTa yang terbukti unggul dalam memahami konteks dan makna teks berbahasa Indonesia. Data ulasan
konsumen dikumpulkan melalui platform Shopee menggunakan metode web scraping, kemudian diproses melalui
tahap text preprocessing seperti tokenisasi, stemming, dan penghapusan kata-kata tidak relevan. Penelitian ini
mengidentifikasi distribusi sentimen ulasan (positif, netral, negatif) serta klasifikasi berdasarkan tujuh dimensi
kualitas produk: estetika, daya tahan, kemudahan penggunaan, fitur, kinerja, keandalan, dan pelayanan. Analisis
menggunakan metode Aspect-Based Sentiment Analysis (ABSA) untuk memahami polaritas sentimen terhadap setiap
dimensi produk. Hasil penelitian menunjukkan bahwa sentimen positif mendominasi ulasan dengan persentase 56.3%,
diikuti oleh sentimen negatif sebesar 41.3%, dan sentimen netral sebesar 2.5%. Meskipun demikian, tingginya
persentase ulasan negatif mengindikasikan area kritis yang memerlukan perbaikan. Dalam evaluasi kinerja
algoritma, IndoBERT menunjukkan akurasi 72.6% dan F1-Score 66.9%, sedikit lebih unggul dibandingkan
IndoRoBERTa yang mencapai akurasi 72% dan F1-Score 69.4%. Analisis sentimen berbasis aspek mengidentifikasi
pelayanan, estetika, dan kinerja sebagai faktor-faktor utama yang memicu sentimen negatif pada ulasan produk.
Wawasan ini memberikan dasar signifikan bagi Rava.ID untuk meningkatkan kualitas produk, strategi pemasaran,
dan pengalaman pelanggan secara keseluruhan, dengan rekomendasi strategis berfokus pada peningkatan efisiensi
pengiriman, responsivitas layanan pelanggan, keakuratan deskripsi produk, serta konsistensi kualitas bahan dan
kerapian jahitan.
Keywords: Analisis Sentimen, IndoBERT, IndoRoBERTa, ABSA, E-commerce, Rava.ID
Referensi
Irawan, H., Nurhazizah, E., Nathan, J., & Panjaitan, C. G. (2022). ANALISIS PERPINDAHAN
WISATAWAN DAN PREFERENSI DESTINASI WISATA FAVORIT BERDASARKAN
GEOTAG INSTAGRAM (STUDI KASUS PADA DESTINASI WISATA BANDUNG RAYA).
(3), 639–646. https://doi.org/10.25126/jtiik.202295747
Ismiyana Putri, D., Nurul Alfian, A., Yudhi Putra, M., & Dwi Mulyo, P. (2024). IndoBERT
Model Analysis: Twitter Sentiments on Indonesia’s 2024 Presidential Election. In Journal of
Applied Informatics and Computing (JAIC) (Vol. 8, Issue 1).
http://jurnal.polibatam.ac.id/index.php/JAIC
Khairunnisa, S. O., Chen, Z., & Komachi, M. (2023). Dataset Enhancement and Multilingual
Transfer for Named Entity Recognition in the Indonesian Language. ACM Transactions on
Asian and Low-Resource Language Information Processing, 22(6).
https://doi.org/10.1145/3592854
Latisha, S., Favian, S., & Suhartono, D. (2024). Criminal Court Judgment Prediction System
Built on Modified BERT Models. Journal of Advances in Information Technology, 15(2), 288–298.
https://doi.org/10.12720/jait.15.2.288-298
Laudon, K. C., & Laudon, J. P. (2012). Management information systems_ managing the digital firm.
Liu, Y., Ott, M., Goyal, N., Du, J., Joshi, M., Chen, D., Levy, O., Lewis, M., Zettlemoyer, L., & Stoyanov, V. (2019).
RoBERTa: A Robustly Optimized BERT Pretraining Approach. http://arxiv.org/abs/1907.11692
Naufal, M. A., & Girsang, A. S. (2024). Traffic accident classification using IndoBERT. International Journal of
Informatics and Communication Technology, 13(1), 42–49. https://doi.org/10.11591/ijict.v13i1.pp42-49
Ramadhani, D. P., Alamsyah, A., Febrianta, M. Y., Fajriananda, M. N., Nada, M. S., & Hasanah,
F. (2025). Large-Scale Cross-Cultural Tourism Analytics: Integrating Transformer-Based
Text Mining and Network Analysis. Computers, 14(1).
https://doi.org/10.3390/computers14010027
Rita, P., Omran, W., Ramos, R. F., & Costa, T. (2025). Exploring the Applications of Artificial Intelligence in
Marketing: A Topic Modelling Analysis. Tourism and Management Studies, 21(1), 39–55.
https://doi.org/10.18089/tms.20250103
Sugiyono. (2020). METODE PENELITIAN KUANTITATIF.
Yulianti, E., Bhary, N., Abdurrohman, J., Dwitilas, F. W., Nuranti, E. Q., & Husin, H. S. (2024). Named entity
recognition on Indonesian legal documents: a dataset and study using transformer-based models. International
Journal of Electrical and Computer Engineering, 14(5), 5489–5501.
https://doi.org/10.11591/ijece.v14i5.pp5489-5501
Zhang, W., Li, X., Deng, Y., Bing, L., & Lam, W. (2022). A Survey on Aspect-Based Sentiment
Analysis: Tasks, Methods, and Challenges. http://arxiv.org/abs/2203.01054
