INTEGRASI ROBERTA-BASED SENTIMENT ANALYSIS DAN COLLABORATIVE FILTERING UNTUK REKOMENDASI PRODUK E-COMMERCE LAPORAN PENELITIAN

Pertumbuhan e-commerce yang pesat telah memudahkan konsumen dalam mengakses berbagai produk, namun juga menimbulkan tantangan dalam mengidentifikasi produk yang sesuai dengan preferensi individu. Untuk mengatasi permasalahan tersebut, penelitian ini mengembangkan model rekomendasi hybrid yang mengintegrasikan analisis sentimen menggunakan model RoBERTa dan pendekatan User-Based Collaborative Filtering (UBCF). Analisis sentimen diterapkan pada ulasan produk dalam dataset Amazon kategori All Beauty, dengan klasifikasi sentimen (positif atau negatif) dilakukan menggunakan model RoBERTa-base yang telah di-fine-tune. Model ini menunjukkan performa yang kuat dengan Accuracy sebesar 97,19% dan F1-Score sebesar 97,19%. Prediksi rating dilakukan melalui perhitungan cosine similarity antar pengguna dalam pendekatan UBCF. Skor rekomendasi akhir dihasilkan melalui integrasi proporsional antara rating yang diprediksi dan skor sentimen, yang dievaluasi menggunakan metrik Root Mean Square Error (RMSE). Hasil optimal diperoleh pada bobot integrasi λ = 0,3 dengan RMSE sebesar 0,8355—secara signifikan lebih baik dibandingkan model dasar tanpa sentimen (RMSE 1,4695) dan pendekatan sebelumnya seperti GloVe + BiLSTM. Model hybrid ini mampu menghasilkan rekomendasi Top-N yang lebih relevan dan personal, dengan peningkatan akurasi sebesar 43,15% dibandingkan model dasar dan 68,24% dibandingkan pendekatan sebelumnya (GloVe + BiLSTM), melalui pemanfaatan opini pengguna dalam ulasan produk.

Kata Kunci: Analisis Sentimen, Cosine Similarity, Model Rekomendasi Hybrid, RoBERTa, User-Based Collaborative Filtering