Analisis Sentimen Ulasan Sunscreen Brand Lokal Berbasis Word2Vec dan Long Short-Term Memory (LSTM)

Abstrak

Seiring menipisnya lapisan ozon yang dapat meningkatkan bahaya bagi kesehatan kulit manusia akibat paparan sinar matahari, penggunaan perawatan kulit seperti tabir surya atau sunscreen ikut meningkat. Salah satu merek lokal perawatan kulit yang fokus pada produk sunscreen adalah Amaterasun. Kemudian dibuat penelitian menggunakan data ulasan pengguna produk sunscreen dari merek Amaterasun yang diambil dari Twitter atau X, dengan tujuan melakukan analisis sentimen pengguna dengan membandingkan performa algoritma deep learning antara kombinasi Word Embeddings Word2Vec berarsitektur Continuous Bag of Words (CBOW) dengan Long Short-Term Memory (LSTM) dan kombinasi Word2Vec berarsitektur Skip-gram dengan LSTM. Dataset dikumpulkan dalam rentang waktu 01 Januari 2024 hingga 30 September 2025 dengan total 8.000 data ulasan yang diberi label secara manual dengan dua kategori kelas sentimen positif dan negatif. Kemudian dilakukan splitting data dengan pembagian 80% untuk data latih dan 20% untuk data uji. Pemodelan dengan CBOW dan LSTM menghasilkan nilai accuracy 89%, precision 75%, recall 2% dan F1-score 3% untuk kelas sentimen negatif. Kemudian pada pemodelan dengan Skip-gram dan LSTM menghasilkan nilai accuracy 89%, precision 56%, recall 8% dan F1-score 13%. Dari hasil kedua pemodelan tersebut lalu dilakukan pemodelan lanjutan dengan menambahkan teknik class weighting pada kombinasi Skip-gram dan LSTM, yang kemudian menghasilkan accuracy 68%, precision 23%, recall 77% dan F1-score 36% pada kelas sentimen negatif. Walaupun nilai accuracy dan precision turun, namun pemodelan Skip-gram dan LSTM dengan teknik class weighting dianggap paling optimal dalam mengenali data sentimen negatif sebagai kelas minoritas pada dataset dengan ketidakseimbangan data.