Contrastive Learning pada IndoBERT untuk Analisis Sentimen Kebijakan Makan Bergizi Gratis

Model bahasa berbasis Transformer seperti IndoBERT masih menghadapi keterbatasan dalam analisis topik dan sentimen pada teks pendek media sosial, khususnya akibat anisotropi embedding, tumpang tindih semantik antar topik, serta rendahnya sensitivitas terhadap intensitas sentimen implisit. Penelitian ini bertujuan mengevaluasi efektivitas integrasi contrastive learning berbasis SimCSE dalam mengoptimalkan representasi vektor IndoBERT untuk analisis sentimen kebijakan publik “Makan Bergizi Gratis”. Penelitian dilakukan menggunakan pendekatan eksperimental komparatif dengan jumlah topik yang sama, yaitu tiga topik, serta memanfaatkan BERTopic dan Aspect-Based Sentiment Analysis (ABSA) sebagai kerangka evaluasi. Hasil penelitian menunjukkan bahwa model berbasis contrastive learning meningkatkan kualitas pemisahan klaster secara signifikan, ditunjukkan oleh peningkatan Silhouette Score lebih dari 1000% dibandingkan model baseline, serta reduksi tumpang tindih klaster hingga sekitar 40–50%. Selain itu, keragaman kata kunci topik meningkat lebih dari 75%, menghasilkan topik yang lebih informatif dan interpretatif. Pada analisis sentimen berbasis aspek, model contrastive menunjukkan peningkatan sensitivitas terhadap intensitas sentimen hingga sekitar 50%, serta mampu mengklasifikasikan sentimen implisit dengan akurasi penuh pada sampel high-confidence yang sebelumnya salah dikategorikan sebagai netral oleh model baseline. Temuan ini menegaskan bahwa optimasi embedding melalui contrastive learning efektif menjawab gap penelitian terkait keterbatasan embedding konvensional, sekaligus meningkatkan kualitas analisis topik dan sentimen berbasis aspek pada teks Bahasa Indonesia.