Implementasi Metode XLM-RoBERTa Untuk Analisis Sentimen Ulasan Pengunjung Objek Wisata Kerta Gosa Klungkung

I Dewa Gede Mahesta Parawangsa; Gede Surya Mahendra; Rama Ngurah Putera  Pinatih

doi:10.31004/riggs.v4i4.5368

Authors

I Dewa Gede Mahesta Parawangsa Universitas Pendidikan Ganesha
Gede Surya Mahendra Universitas Pendidikan Ganesha
Rama Ngurah Putera Pinatih Universitas Pendidikan Ganesha

DOI:

https://doi.org/10.31004/riggs.v4i4.5368

Keywords:

Analisis Sentimen, XLM-RoBERTa, Pariwisata Bali, Kerta Gosa, Deep Learning

Abstract

Pasca pandemi, pemulihan sektor pariwisata di Kabupaten Klungkung, khususnya pada Objek Wisata Kerta Gosa, sangat bergantung pada kemampuan pengelola dalam merespons umpan balik pengunjung secara akurat. Saat ini, ribuan ulasan yang tersebar di platform digital seperti Google Maps dan TripAdvisor menjadi aset data krusial, namun pemanfaatannya terhambat oleh volume data yang besar serta karakteristik linguistik yang tidak terstruktur. Tantangan utama muncul dari fenomena percampuran kode bahasa (code-mixing) antara Bahasa Indonesia dan Inggris yang menyulitkan metode klasifikasi konvensional. Penelitian ini bertujuan untuk mengatasi hambatan tersebut dengan mengimplementasikan analisis sentimen otomatis menggunakan arsitektur Deep Learning berbasis XLM-RoBERTa. Model transformer multibahasa ini dipilih secara spesifik karena keunggulannya dalam mengekstraksi representasi semantik lintas bahasa tanpa memerlukan tahapan penerjemahan awal, sehingga nuansa emosi asli pengunjung tetap terjaga. Melalui pendekatan metodologi SEMMA, dataset diproses dengan teknik normalisasi teks adaptif dan dilatih menggunakan skema pembagian data terstratifikasi. Hasil eksperimen menunjukkan performa model yang solid dengan capaian akurasi pengujian sebesar 91.37%, serta nilai F1-Score mencapai 87.26%. Analisis lebih lanjut pada ulasan negatif secara spesifik menyoroti dominasi keluhan terkait transparansi layanan tiket dan interaksi pemandu wisata, yang menjadi area prioritas bagi manajemen untuk pembenahan. Temuan ini menegaskan bahwa XLM-RoBERTa merupakan solusi yang efisien dan robust untuk sistem pemantauan kualitas layanan pariwisata berbasis data sentimen.

Downloads

Download data is not yet available.

References

Dinas Kebudayaan dan Pariwisata Kabupaten Klungkung, “Kerta Gosa” Https://Tes.Klungkungkab.Go.Id/Halaman/Detail/Kertagosa-Klungkung.

I. Nyoman Saputra Wahyu Wijaya, K. Agus Seputra, and N. Putu Novita Puspa Dewi, “Fine Tunning Model IndoBERT untuk Analisis Sentimen Berita Pariwisata Indonesia,” Jurnal Pendidikan Teknologi dan Kejuruan, vol. 22, no. 2, 2025, [Online]. Available: https://www.detik.com/search/searchall?query=wisata&siteid=3&sortby=time&fromdatex=01/01/2022&

G. Aditra Pradnyana, I. Gede, and M. Darmawiguna, “Web-Based System for Bali Tourism Sentiment Analysis during The Covid-19 Pandemic using Django Web Framework and Naive Bayes Method,” 2021.

G. S. Mahendra and K. Y. Ernanda Aryanto, “SPK Penentuan Lokasi ATM Menggunakan Metode AHP dan SAW,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 5, no. 1, pp. 49–56, Apr. 2019, doi: 10.25077/teknosi.v5i1.2019.49-56.

J. Rhena, K. Kraugusteeliana, and Hamzar, “Embracing Digitalization in Tourism: Strategic Approaches for Global Competitiveness in the Digital Economy Era,” Indo-Fintech Intellectuals: Journal of Economics and Business, vol. 4, no. 2, pp. 461–472, Jun. 2024, doi: 10.54373/ifijeb.v4i2.1282.

M. A. Hasan, “Ensemble Language Models for Multilingual Sentiment Analysis,” Mar. 2024, [Online]. Available: http://arxiv.org/abs/2403.06060

A. Gaurav, B. B. Gupta, S. Sharma, R. Bansal, and K. T. Chui, “XLM-RoBERTa Based Sentiment Analysis of Tweets on Metaverse and 6G,” in Procedia Computer Science, Elsevier B.V., 2024, pp. 902–907. doi: 10.1016/j.procs.2024.06.110.

I. B. Manuaba, G. R. Dantes, and G. Indrawan, “Analisis Sentimen Data Provider Layanan Internet Pada Twitter Menggunakan Support Vector Machine Dengan Penambahan Algoritma Levenshtein Distance,” Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan), vol. 5, no. 2, pp. 9–17, Mar. 2022, doi: 10.47970/siskom-kb.v5i2.261.

I. P. Dedy, W. Darmawan, G. Aditra Pradnyana, I. Bagus, and N. Pascima, “Optimasi Parameter Support Vector Machine Dengan Algoritma Genetika Untuk Analisis Sentimen Pada Media Sosial Instagram,” 2023, [Online]. Available: https://doi.org/10.31598

I. G. Hendrayana, D. G. H. Divayana, and M. W. A. Kesiman, “Komparasi Metode SVM, K-NN dan NBC pada Analisis Sentimen,” Jurnal Indonesia : Manajemen Informatika dan Komunikasi, vol. 4, no. 1, pp. 191–198, Jan. 2023, doi: 10.35870/jimik.v4i1.157.

K. Pramayasa, I. Md, D. Maysanjaya, G. Ayu, and A. Diatri Indradewi, “Analisis Sentimen Program Mbkm Pada Media Sosial Twitter Menggunakan KNN Dan SMOTE,” 2023, [Online]. Available: https://doi.org/10.31598

I. P. A. V. Vidyananta and K. T. D. Dermawan, “Perbandingan Algoritma K-Means Dan K-Medoids Dalam Pengelompokan Provinsi Di Indonesia Berdasarkan Indikator Keadaan Sekolah Dasar,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 3S1, Oct. 2025, doi: 10.23960/jitet.v13i3S1.8145.

N. K. T. A. Saputri, I. G. A. Gunadi, and I. M. G. Sunarya, “Analisis Sentimen Pelayanan Daring di Fakultas Teknik dan Kejuruan Universitas Pendidikan Ganesha Menggunakan Algoritma Naïve Bayes dan LSTM,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 3, pp. 1120–1129, Jul. 2024, doi: 10.57152/malcom.v4i3.1336.

A. P. Al Aufar and A. Romadhony, “Aspect-based Sentiment Analysis on Beauty Product Reviews using BERT and Long Short-Term Memory,” Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), vol. 14, no. 2, pp. 364–373, Jul. 2025, doi: 10.23887/janapati.v14i2.94392.

B. M. G, V. Sampreetha, and K. U. Meghana, “Sentiment Analysis for Low-Resource Languages Using a Hybrid XLM-Roberta and Bi-LSTM Model,” in 2025 International Conference on Networks & Advances in Computational Technologies (NetACT), IEEE, Aug. 2025, pp. 1–6. doi: 10.1109/NetACT65906.2025.11188922.

W. A. Alvi, R. Talukdar, M. T. Hossain, and M. S. Sayed, “A Comparative Analysis of BERT, RoBERTa, and XLM-RoBERTa for Bengali SMS Multiclass Spam Detection,” 2025.

H. J. G. Palacios, R. A. J. Toledo, G. A. H. Pantoja, and Á. A. M. Navarro, “A comparative between CRISP-DM and SEMMA through the construction of a MODIS repository for studies of land use and cover change,” Advances in Science, Technology and Engineering Systems, vol. 2, no. 3, pp. 598–604, 2017, doi: 10.25046/aj020376.

N. A. P. Masaling and D. Suhartono, “Utilizing RoBERTa and XLM-RoBERTa pre-trained model for structured sentiment analysis,” International Journal of Informatics and Communication Technology, vol. 13, no. 3, pp. 410–421, Dec. 2024, doi: 10.11591/ijict.v13i3.pp410-421.