Pertumbuhan pesat industri game digital mendorong meningkatnya jumlah ulasan pengguna, khususnya pada platform Steam. Ulasan ini mengandung opini yang beragam dan tidak terstruktur, sehingga sulit untuk dianalisis secara manual. Oleh karena itu, dibutuhkan sistem yang mampu mengklasifikasikan sentimen dari ulasan pengguna secara otomatis. Masukan dari sistem berupa teks ulasan, sedangkan keluarannya adalah kelas sentimen positif atau negatif.
Analisis sentimen pada ulasan game sangat penting bagi pengembang dan calon pemain untuk memahami persepsi pengguna. Namun, pendekatan konvensional masih terbatas dalam memahami konteks dan makna tersembunyi dari bahasa alami yang digunakan dalam ulasan. Hal ini menciptakan kesenjangan antara metode yang digunakan saat ini dengan kebutuhan akan pemahaman yang lebih akurat dan kontekstual terhadap opini pengguna.
Solusi yang diusulkan adalah membangun sistem klasifikasi sentimen berbasis model bahasa besar menggunakan tiga arsitektur berbeda, yaitu BERT, RoBERTa, dan DistilBERT. Data ulasan dikumpulkan dari lima judul game RPG populer dan melalui proses anotasi manual. Tahapan sistem meliputi pengumpulan data, praproses, pembagian data, pelatihan dan validasi model, serta evaluasi performa. Selain itu, dilakukan analisis leksikon domain-spesifik serta pengembangan RPGSentiLex untuk mengevaluasi ambiguitas makna kata yang sering digunakan dalam ulasan game.
Eksperimen menunjukkan bahwa RoBERTa memberikan performa terbaik dengan skor F1 tertinggi sebesar 97,50%, diikuti oleh BERT dan DistilBERT. Temuan lain menunjukkan bahwa proses praproses berlebihan seperti lemmatisasi dan penghapusan stopword justru menurunkan akurasi model. Studi ini menunjukkan pentingnya pemodelan konteks dan minimalisasi praproses dalam klasifikasi sentimen berbasis model bahasa besar.
Kata Kunci: analisis sentimen, ulasan game, bahasa alami, klasifikasi, model bahasa besar, steam