%0 Generic
%A Yazid , Zinedine Hdiana	
%C UNIVERSITAS LAMPUNG
%D 2024
%F eprints:86124
%I FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
%T KLASIFIKASI SENTIMEN ULASAN PENILAIAN OBAT  DENGAN METODE BIDIRECTIONAL ENCODER REPRESENTATIONS    FROM TRANSFORMER (BERT)
%U http://digilib.unila.ac.id/86124/
%X Pada era ini, produk kesehatan sangat mudah diakses seperti obat-obatan yang  dijual secara bebas melalui apotek dan platform e-commerce telah menyebabkan  individu yang mungkin memiliki pengalaman dalam bidang kesehatan yang  terbatas mengandalkan ulasan pengguna untuk memahami jenis obat dalam  mengatasi kondisi tertentu. Ulasan ini tidak hanya bermanfaat bagi individu tetapi  juga berkontribusi terhadap peningkatan kualitas obat yang diproduksi oleh para  profesional kesehatan. Permasalahan data tidak terstruktur yang ada pada ulasan  dalam bentuk data teks dapat diatasi dengan pendekatan inovatif yang disebut  BERT. BERT adalah model berbasis transformer yang menggunakan pre-training  untuk meningkatkan pemahaman teks kontekstual. Penelitian ini mengevaluasi  kinerja BERT dalam analisis sentimen menggunakan model pre-training BERT  BASE Uncased. Dataset yang digunakan terdiri dari ulasan pengguna terhadap  obat-obatan yang tersedia di platform Kaggle. Penelitian ini melibatkan penyetelan  hyperparameter untuk mengidentifikasi model klasifikasi optimal dan  menggunakan dua metode pelabelan data, yaitu pelabelan berbasis rating dan  pelabelan berbasis textblob. Hasil eksperimen menunjukkan bahwa model BERT  BASE Uncased mencapai akurasi yang luar biasa, mencapai puncak 98% dengan  hyperparameter tertentu dalam pelabelan data berbasis textblob. Selain itu, hasil  fine-tuning BERT BASE untuk klasifikasi data berbasis rating mencapai akurasi  97%.    Kata Kunci : Klasifikasi Sentimen, Deep Learning, Transformers, BERT    In this era, highly accessible health products such as medicines sold freely through  pharmacies and e-commerce platforms have caused individuals who may have  limited experience in the health sector to rely on user reviews to understand the  types of drugs to treat certain conditions. These reviews are not only beneficial for  individuals but also contribute to improving the quality of medicines produced by  healthcare professionals. The problem of unstructured data that exists in reviews in  the form of text data can be overcome with an innovative approach called BERT.  BERT is a transformer-based model that uses pre-training to improve contextual  understanding of text. This research evaluates BERT's performance in sentiment  analysis using the BERT BASE Uncased pre-training model. The dataset used  consists of user reviews of medicines available on the Kaggle platform. This  research involves hyperparameter tuning to identify optimal classification models    and uses two data labeling methods, namely rating-based labeling and textblob-  based labeling. Experimental results show that the BERT BASE Uncased model    achieves extraordinary accuracy, reaching a peak of 98% with certain    hyperparameters in textblob-based data labeling. In addition, BERT BASE fine-  tuning results for rating-based data classification achieved 97% accuracy.    Keywords : Sentiment Classification, Deep Learning, Transformers, BERT