Model Hibrida IndoBERT-LSTM untuk Analisis Sentimen Komparatif pada Ulasan Aplikasi Kencan Online
DOI:
https://doi.org/10.26418/justin.v14i1.94823Keywords:
Analisis Sentimen, Aplikasi Kencan, IndoBERT, LSTM, Deep Learning, Ulasan PenggunaAbstract
Dewasa ini, aplikasi kencan online telah menjadi fenomena sosial yang signifikan di Indonesia, mengubah cara individu berinteraksi dan mencari pasangan. Popularitas aplikasi seperti Tinder, Badoo, dan Tantan menghasilkan ribuan ulasan pengguna di Google Play Store, yang merupakan sumber data berharga untuk memahami persepsi publik. Akan tetapi, analisis manual terhadap data bervolume besar ini tidak efisien. Oleh karena itu, penelitian ini dilakukan dengan tujuan untuk melakukan analisis sentimen komparatif terhadap tiga aplikasi kencan tersebut serta menguji efektivitas model hibrida deep learning yang menggabungkan IndoBERT dan Long Short-Term Memory (LSTM). Data ulasan untuk Tinder, Badoo, dan Tantan dikumpulkan dari Google Play Store, dengan total 10.000 ulasan per aplikasi. Model hibrida IndoBERT-LSTM diterapkan untuk mengklasifikasikan sentimen ke dalam kategori positif dan negatif. Hasil evaluasi model menunjukkan kinerja tertinggi pada dataset Tinder dengan akurasi 87.6% dan F1-Score (Macro) sebesar 0.875; diikuti oleh Badoo dengan akurasi 87.0% dan F1-Score (Macro) 0.869; terakhir Tantan dengan akurasi 87.8% dan F1-Score (Macro) 0.832. Analisis lebih dalam pada metrik-metrik confusion menemukan bahwa model untuk Tantan menunjukkan kesulitan yang cukup signifikan dalam mengidentifikasi ulasan negative dengan indikasi adanya karakteristik linguistik yang unik pada dataset tersebut. Penelitian ini menyimpulkan bahwa model IndoBERT-LSTM efektif untuk tugas ini dan memberikan wawasan komparatif berbasis data mengenai persepsi pengguna dan tantangan pemodelan pada domain aplikasi kencan di Indonesia.References
D. Yefferson, V. Lawijaya, and A. Girsang, “Hybrid model: IndoBERT and long short-term memory for detecting Indonesian hoax news,†IAES Int. J. Artif. Intell. (IJ-AI), vol. 13, no. 2, pp. 1913–1924, 2024, doi: 10.11591/ijai.v13.i2.pp1913-1924.
M. I. K. Sinapoy, Y. Sibaroni, and S. S. Prasetyowati, “Comparison of LSTM and IndoBERT Method in Identifying Hoax on Twitter,†J. RESTI, vol. 7, no. 3, pp. 657–662, Jun. 2023, doi: 10.29207/resti.v7i3.4830.
We Are Social, “Digital 2025,†2025. [Online]. Available: https://wearesocial.com/id/blog/2025/02/digital-2025/. [Accessed: Jun. 10, 2025].
Truelist, “Apps Statistics,†Feb. 2024. [Online]. Available: https://truelist.co/blog/apps-statistics/. [Accessed: Jun. 10, 2025].
Tarwoto, R. Nugroho, N. Azka, and W. S. R. Graha, “Analisis Sentimen Ulasan Aplikasi Mobile JKN di Google PlayStore Menggunakan IndoBERT,†J. JTIK, vol. 9, no. 2, pp. 495–505, Apr.–Jun. 2025, doi: 10.35870/jtik.v9i2.3340.
I. Azizah, I. Cholissodin, and N. Yudistira, “Analisis Sentimen Ulasan Pengguna Aplikasi Shopee di Google Play menggunakan Metode Word Embedding dan Long Short Term Memory (LSTM),†J. PTIIK, vol. 7, no. 5, pp. 2453–2459, Aug. 2023.
D. Nuryadi et al., “Fine Tuning IndoBERT untuk Analisis Sentimen pada Ulasan Pengguna Aplikasi Tiket.com di Google Play Store,†JATI, vol. 9, no. 2, pp. 3577–3583, 2025, doi: 10.36040/jati.v9i2.13204.
R. Andreas, I. Aksan, and N. D. Septiyanti, “Analisis Sentimen Pengguna Aplikasi Kencan Daring Tinder di Google Play Store,†J. Teknol. dan Inovasi Digital (JTIDI), vol. 1, no. 1, pp. 19–29, Sep. 2024.
V. N. A. Ayyubi, N. W. Utami, and E. G. A. Dewi, “Analisis Ulasan Aplikasi Tinder Menggunakan Algoritma Naïve Bayes dengan Optimasi Information Gain,†J. Tekinkom, vol. 7, no. 2, pp. 1035–1043, Dec. 2024, doi: 10.37600/tekinkom.v7i2.1518.
A. A. M. C. Dyanggi, I. W. A. S. Darma, and N. N. A. J. Sastaparamitha, “FastText and Bi-LSTM for Sentiment Analysis of Tinder Application Reviews,†J. Ilmiah Merpati, vol. 12, no. 1, pp. 72–82, May 2024, doi: 10.24843/JIM.2024.v12.i01.p07.
A. Simanjuntak, R. Lumbantoruan, K. Sianipar, R. Gultom, M. Simaremare, S. Situmeang, and E. Panggabean, "Studi dan Analisis Hyperparameter Tuning IndoBERT Dalam Pendeteksian Berita Palsu," Jurnal Nasional Teknik Elektro dan Teknologi Informasi, vol. 13, no. 1, pp. xx–xx, Feb. 2024, doi: 10.22146/jnteti.v13i1.8532.
Y. D. Novandian et al., "IndoBERT-based Indonesian Cyberbullying Detection with Multi-stage Labeling," 2024 International Seminar on Application for Technology of Information and Communication (iSemantic), Semarang, Indonesia, 2024, pp. 515-521, doi: 10.1109/iSemantic63362.2024.10762553
B. P. Aji and C. S. K. Aditya, “Klasifikasi Sentimen Ulasan Produk pada Platform E-Commerce di Indonesia dengan Menggunakan Model Pre-Trained IndoBERT,†BITS, vol. 6, no. 4, pp. 2491–2500, Mar. 2025, doi: 10.47065/bits.v6i4.6968.
K. Pradhisa and R. Fajriyah, “Analisis Sentimen Ulasan Pengguna E-commerce di Google Play Store Menggunakan Metode IndoBERT,†BITS, vol. 6, no. 1, pp. 92–104, 2024, doi: https://doi.org/10.47065/bits.v6i1.5247.
R. Wati, I. P. Astuti, and G. A. Buntoro, "Analisis Sentimen terkait Penerapan E-Parking Ponorogo (Parkir-Go) dengan Metode Bidirectional Encoder from Transformers (BERT)," Jurnal Sistem dan Teknologi Informasi (JUSTIN), vol. 13, no. 2, pp. 220–227, Apr. 2025, doi: 10.26418/justin.v13i2.86993.
M. D. Setiawan, S. Kimberly, F. A. Suharjo, and J. Harefa, “Transfer Learning using IndoBERT with Long Short-Term Memory Classifier for Detection of Suicide Ideation Themed Indonesian Twitter Posts,†in Proc. 2024 4th Int. Conf. Sci. Inf. Technol. Smart Admin. (ICSINTESA), Balikpapan, Indonesia, 2024, pp. 276–281, doi: 10.1109/ICSINTESA62455.2024.10747816.
H. Hartono, Modul Digital Machine Learning: Panduan Praktis dan Sistematis Belajar Machine Learning. [Online]. Available: https://lmsspada.kemdiktisaintek.go.id/pluginfile.php/795078/mod_resource/content/2/Modul%20Digital%20-%20Machine%20Learning%20-%20Hartono-compressed.pdf. [Accessed: Jun. 9, 2025].
Downloads
Published
Issue
Section
License
Copyright (c) 2026 JUSTIN (Jurnal Sistem dan Teknologi Informasi)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
The author owns the copyright in his paper and agrees to publish his paper to JUSTIN by giving the rights to the first publication of his paper which is simultaneously licensed under the Creative Commons Attribution License, namely the Similar International 4.0 license (CC BY-NC-SA 4.0).
This is a human-readable summary of (and not a substitute for) the license. Disclaimer.
You are free to:Share "” copy and redistribute the material in any medium or format
Adapt "” remix, transform, and build upon the material
The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
Attribution "” You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
NonCommercial "” You may not use the material for commercial purposes.
ShareAlike "” If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
No additional restrictions "” You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation.
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
