Klasifikasi sentimen ulasan genshin impact berbahasa Indonesia di google play store berbasis Indobert-LSTM

Pertumbuhan industri game mobile menjadikan analisis sentimen ulasan pengguna sebagai kebutuhan strategis bagi developer dalam memahami persepsi komunitas. Penelitian ini bertujuan mengevaluasi performa model IndoBERT-LSTM dalam mengklasifikasikan sentimen ulasan pengguna game Genshin Impact berbahasa Indonesia, membandingkan kinerjanya dengan IndoBERT standar, serta mengidentifikasi distribusi sentimen dan topik permasalahan dominan berdasarkan hasil klasifikasi model terbaik. Data yang digunakan bersumber dari 1.698 ulasan pengguna Genshin Impact di Google Play Store periode Desember 2024 hingga Juni 2025 yang diperoleh melalui Kaggle.com. Penelitian ini menerapkan empat skenario eksperimen, yaitu IndoBERT dan IndoBERT-LSTM, masing-masing dengan dan tanpa strategi Class weighting, yang dijalankan dengan dua variasi batch size sebesar 16 dan 32. Hasil evaluasi menunjukkan bahwa IndoBERT-LSTM dengan Class weighting pada batch size 32 merupakan konfigurasi terbaik dengan Macro Average F1-Score sebesar 66% dan Recall kelas netral tertinggi sebesar 37%. Meskipun IndoBERT standar mencatatkan akurasi global tertinggi sebesar 80%, keunggulan tersebut disebabkan oleh bias terhadap kelas mayoritas akibat ketiadaan penanganan imbalanced data. Hasil analisis sentimen menunjukkan distribusi 56,8% sentimen positif, 27,9% negatif, dan 15,3% netral, dengan topik permasalahan utama meliputi ketidaksesuaian spesifikasi perangkat, masalah teknis pasca pembaruan, dan sistem gacha yang dianggap predatory. Penelitian ini membuktikan bahwa kombinasi IndoBERT-LSTM dengan Class weighting merupakan pendekatan yang lebih adil dan representatif untuk analisis sentimen ulasan game berbahasa Indonesia pada data yang tidak seimbang.