KLASIFIKASI SENTIMEN MULTI-CLASS PADA TELAGA SARANGAN MENGGUNAKAN SMOTE ROBUSTLY OPTIMIZED BERT PRETRAINING APPROACH(ROBERTA)

Telaga Sarangan merupakan salah satu destinasi wisata populer di Indonesia yang banyak menerima ulasan dari pengunjung melalui platform digital seperti Google Maps. Ulasan-ulasan tersebut mencerminkan opini dan tingkat kepuasan pengunjung, namun banyaknya ulasan menyulitkan pihak pengelola maupun wisatawan dalam memperoleh informasi yang terstruktur. Penelitian ini bertujuan untuk melakukan klasifikasi sentimen multi-class (positif, netral, dan negatif) terhadap ulasan Telaga Sarangan menggunakan metode Robustly Optimized BERT Pretraining Approach (RoBERTa). Data yang digunakan sebanyak 3.875 ulasan hasil scraping dari Google Maps. Untuk mengatasi ketidakseimbangan distribusi kelas sentimen, digunakan teknik Synthetic Minority Over-sampling Technique (SMOTE). Hasil pelatihan model menunjukkan bahwa kombinasi SMOTE dan RoBERTa secara signifikan meningkatkan performa klasifikasi. Tanpa SMOTE dengan kombinasi batch size 8 dan epoch 8, akurasi tertinggi hanya mencapai 82.29%, sedangkan setelah penerapan SMOTE akurasi meningkat hingga 93.50%. Selain itu, terjadi peningkatan menyeluruh pada nilai precision, recall, dan F1-score. Penelitian ini membuktikan bahwa kombinasi SMOTE dan RoBERTa efektif dalam menghasilkan model klasifikasi sentimen yang akurat dan seimbang, serta berpotensi mendukung analisis opini publik secara lebih informatif di sektor pariwisata.