Systematic Literature Review Berbasis Analisis Bibliometrik: Penerapan Natural Language Processing untuk Analisis Sentimen pada Media Sosial

Abstract

Penelitian ini menyajikan Systematic Literature Review (SLR) mengenai penerapan Natural Language Processing (NLP) untuk analisis sentimen pada media sosial dalam periode 2020 hingga 2025. Sebanyak 400 artikel awal diperoleh dari berbagai database bereputasi, termasuk IEEE Xplore, Scopus, SpringerLink, ACM Digital Library, ScienceDirect, dan Google Scholar. Setelah dilakukan filtrasi berdasarkan kriteria inklusi, eksklusi, serta quality assessment, sebanyak 201 artikel dinyatakan relevan untuk dianalisis lebih lanjut. Proses SLR mengikuti pedoman Kitchenham yang terdiri atas tiga fase, yaitu planning, conducting, dan reporting. Hasil penelitian menunjukkan bahwa tren publikasi meningkat signifikan dari tahun 2020 hingga 2024, kemudian menurun pada 2025 karena data hanya dihimpun sebagian. Twitter muncul sebagai platform yang paling sering diteliti, diikuti oleh Facebook, Instagram, dan ulasan e-commerce. Metode klasik seperti Naïve Bayes dan SVM masih digunakan untuk kasus sederhana, namun penelitian terkini menunjukkan dominasi metode deep learning dan transformer-based seperti CNN, LSTM, dan BERT yang secara konsisten mencapai tingkat akurasi di atas 90%. Tantangan utama yang diidentifikasi meliputi pemrosesan multibahasa, slang, sarkasme, code-mixing, serta keterbatasan dataset berlabel. Penelitian ini menyimpulkan bahwa arah penelitian ke depan perlu difokuskan pada pengembangan NLP multibahasa, analisis sentimen berbasis domain tertentu, serta pemanfaatan pre-trained transformer models untuk meningkatkan akurasi dan pemahaman kontekstual dalam analisis sentimen media sosial.