Ulasan pengguna aplikasi memainkan peran penting dalam menentukan keberhasilan dan popularitas aplikasi di era digital. Namun, analisis manual terhadap banyaknya ulasan ini menjadi tantangan yang tidak efisien dan memakan waktu. Penelitian ini mengeksplorasi penggunaan Large Language Models (LLM) berbasis BERT untuk menganalisis sentimen ulasan pengguna aplikasi X. Dengan menerapkan teknik pelabelan zero-shot, model ini dapat mengklasifikasikan ulasan ke dalam kategori sentimen positif, netral, dan negatif tanpa pelatihan khusus sebelumnya pada data domain tersebut. Evaluasi menggunakan Confusion Matrix menunjukkan bahwa model mencapai akurasi sebesar 95%, yang menunjukkan kemampuan analitis dan keakuratan yang kuat. Selain itu, penggunaan Synthetic Minority Over-sampling Technique (SMOTE) membantu mengatasi masalah ketidakseimbangan data, sehingga meningkatkan kemampuan prediksi model. Hasil penelitian ini menunjukkan potensi besar LLM dalam pemrosesan bahasa alami, khususnya dalam konteks analisis sentimen. Temuan ini memberikan kontribusi penting bagi pengembangan metode klasifikasi teks yang lebih efisien dan adaptif. Penelitian selanjutnya dapat mengembangkan teknik dan aplikasi yang lebih luas dari LLM untuk berbagai domain yang memerlukan analisis sentimen secara otomatis.

User reviews of applications play a crucial role in determining the success and popularity of apps in the digital era. However, manual analysis of these numerous reviews presents a challenging and time-consuming task. This study explores the use of Large Language Models (LLM) based on BERT to analyze the sentiment of user reviews of Application X. By employing zero-shot labeling techniques, this model can classify reviews into positive, neutral, and negative sentiment categories without specific prior training on the domain data. Evaluation using the Confusion Matrix shows that the model achieves an accuracy of 95%, demonstrating strong analytical capabilities and accuracy. Additionally, the use of the Synthetic Minority Over-sampling Technique (SMOTE) helps address data imbalance issues, enhancing the model's predictive capabilities. The results of this study highlight the significant potential of LLM in natural language processing, particularly in sentiment analysis contexts. These findings make an important contribution to developing more efficient and adaptive text classification methods. Future research can develop broader techniques and applications of LLM for various domains requiring automatic sentiment analysis.