Implementasi Model XLM-RoBERTa untuk Multilingual Aspect-Based Sentiment Analysis (Studi Kasus Indomie Korean Ramyeon Series)

Abstract

Perkembangan digital dan media sosial mendorong meningkatnya volume respons publik secara daring, sehingga Aspect-Based Sentiment Analysis (ABSA) menjadi pendekatan yang relevan untuk memahami respons publik secara lebih granular. Penelitian ini mengimplementasikan model XLM-RoBERTa berbasis pre-training data Twitter yang diintegrasikan dengan CustomTrainer berbasis pembobotan kelas (class weights) untuk melakukan ABSA terhadap tweet produk Indomie Korean Ramyeon Series pada platform X. Dengan menggunakan kerangka kerja CRISP-DM, penelitian ini telah mengumpulkan dataset dalam bahasa Indonesia, Inggris, dan Korea. Klasifikasi aspek dilakukan menggunakan pendekatan rule-based setelah teks dipotong menjadi klausa berdasarkan konjungsi kontras, sedangkan klasifikasi sentimen dibagi menjadi kelas positif, netral, dan negatif. Hasil evaluasi model menunjukkan nilai accuracy keseluruhan sebesar 81,38% dengan Weighted Average F1-score sebesar 0,8117 dan Macro Average F1-score mencapai 0,7982. Model mencatatkan F1-score tertinggi pada kelas Positive sebesar 0,8447, sementara dampak ketidakseimbangan data (class imbalance) berhasil dimitigasi dengan baik pada kelas Negative yang mencatatkan F1-score sebesar 0,7723 berkat optimasi bobot penalti kesalahan prediksi. Hasil prediksi pada tahap penyebaran (deployment) menunjukkan bahwa sentimen Positive mendominasi ketiga aspek, dengan aspek Kolaborasi memiliki volume data terbesar. Pendekatan berbasis data ini dapat memberikan gambaran yang objektif mengenai dinamika respons pasar, yang bermanfaat untuk mendukung analisis tren preferensi publik serta evaluasi dampak dari strategi kolaborasi merek di media sosial.