ANALISIS TRANSFER LEARNING INDOBERT DENGAN RANDOM FOREST PADA KLASIFIKASI SENTIMEN LAYANAN KESEHATAN BPJS

Media sosial telah menjadi sarana utama masyarakat Indonesia untuk menyampaikan opini mengenai layanan publik seperti BPJS Kesehatan, menghasilkan data yang kaya akan persepsi publik. Analisis sentimen terhadap komentar-komentar ini penting untuk memahami opini masyarakat secara sistematis, namun pendekatan akurat seperti fine-tuning IndoBERT memerlukan sumber daya komputasi besar yang belum tentu tersedia di semua institusi. Penelitian ini bertujuan membandingkan dua pendekatan IndoBERT fine-tuning end-to-end dan transfer learning dengan Random Forest dalam klasifikasi sentimen komentar publik berbahasa Indonesia. Dengan menggunakan 3.059 data komentar yang telah diberi label, kedua model dievaluasi berdasarkan akurasi, F1-score, dan efisiensi waktu. Hasil menunjukkan bahwa model IndoBERT + Random Forest mencapai akurasi 98% dan F1-score tertimbang 0.98, mengungguli model fine-tuning (92% dan 0.92), serta jauh lebih efisien dari sisi waktu (33 detik dengan 206 detik). Selain performa yang tinggi, model hybrid juga lebih mudah diinterpretasikan dan lebih layak diterapkan dalam sistem dengan keterbatasan komputasi. Temuan ini menunjukkan bahwa strategi transfer learning ringan berbasis IndoBERT dapat menjadi solusi praktis untuk pemantauan opini publik berbasis NLP di sektor layanan publik Indonesia.