Dalam beberapa tahun terakhir, industri video game berkembang pesat bukan hanya dari sisi teknologi, tapi juga dalam cara gamer terlibat dan berekspresi. Game kini tak lagi sekadar hiburan; ia telah menjadi bagian dari budaya populer yang punya pengaruh besar. Apalagi dengan hadirnya platform digital seperti Steam dan PlayStation Network, atau layanan cloud gaming semacam Google Stadia, akses terhadap game makin mudah dan cepat. Dan tak kalah penting, komunitas gamer kini punya ruang besar untuk menyuarakan opini mulai dari YouTube hingga forum diskusi dan review di Steam.
Salah satu game yang menarik perhatian publik sejak awal adalah Assassin's Creed: Shadows. Bahkan sebelum dirilis, game ini sudah ramai diperbincangkan, mulai dari desain karakter hingga tema budaya yang diangkat. Tapi satu hal yang menarik: apakah komentar gamer sebelum rilis tetap konsisten setelah mereka memainkan gamenya?
Di sinilah muncul pertanyaan penting bagaimana kita bisa mengukur perubahan sentimen gamer secara objektif? Komentar di YouTube dan review di Steam punya gaya yang sangat berbeda. Belum lagi campuran bahasa, konteks, dan cara menyampaikan opini yang bisa sangat beragam.
Untuk menjawab pertanyaan itu, saya mencoba pendekatan berbasis kecerdasan buatan khususnya model deep learning bernama DistilBERT. Dengan menganalisis ribuan komentar sebelum dan sesudah perilisan Assassin's Creed: Shadows, saya ingin melihat apakah ada perubahan pola sentimen yang signifikan, dan bagaimana teknologi bisa membantu kita memahami opini publik secara lebih mendalam.
Apa Kata Penelitian Sebelumnya?Â
Analisis sentimen atau kemampuan mesin untuk "membaca" emosi manusia lewat teks sudah banyak digunakan dalam dunia video game. Dengan makin banyaknya ulasan di Steam, YouTube, dan media sosial, para peneliti pun mulai tertarik memahami bagaimana opini gamer terbentuk dan berubah.
Salah satu studi menarik datang dari Fadhlurrahman dkk. (2023), yang membandingkan tiga pendekatan AI untuk membaca sentimen dalam review game di Steam. Mereka menemukan bahwa kombinasi model BiLSTM dan BERT ternyata lebih akurat dibanding BERT saja. Artinya, kadang gabungan dua model bisa "membaca" perasaan gamer dengan lebih baik.
Penelitian lain dari Abdul Rahman dkk. (2024) justru mencoba memprediksi apakah gamer akan berhenti bermain alias churn berdasarkan nada ulasan mereka. Hasilnya? Sentimen negatif memang berkorelasi kuat dengan kemungkinan gamer akan meninggalkan game. Jadi bukan hanya soal komentar positif atau negatif, tapi juga bisa berdampak pada bisnis.
Namun begitu, kebanyakan penelitian sebelumnya hanya fokus pada satu platform, misalnya hanya Steam saja. Padahal gaya bahasa gamer di YouTube bisa jauh lebih santai dan informal, berbeda dengan review di Steam yang sering kali lebih panjang dan terstruktur. Belum lagi opini gamer bisa berubah drastis sebelum dan sesudah game dirilis. Sayangnya, aspek "waktu" ini jarang diperhatikan dalam studi-studi sebelumnya.
Di sinilah model bernama DistilBERT jadi menarik. Ia adalah versi ringan dari model AI populer BERT, yang bisa memproses teks lebih cepat tanpa terlalu mengorbankan akurasi. Cocok untuk analisis data dalam jumlah besar seperti ribuan komentar atau ulasan.
Tapi tetap ada tantangan: bagaimana jika data berasal dari dua platform berbeda, dan dikumpulkan dalam dua momen berbeda (sebelum dan sesudah rilis)? Nah, itulah celah yang ingin saya isi lewat riset ini untuk melihat apakah AI seperti DistilBERT bisa memahami perubahan opini gamer secara lebih utuh, tidak hanya dari apa yang mereka katakan, tapi kapan dan di mana mereka mengatakannya.
Bagaimana Saya Melakukan Analisis Ini?
Penelitian ini saya lakukan sepenuhnya secara online antara April hingga Mei 2025, dengan bantuan Google Colab sebagai lingkungan kerja berbasis cloud. Fokusnya sederhana tapi cukup menantang: saya ingin tahu apakah sentimen gamer berubah setelah Assassin's Creed: Shadows dirilis, dan bagaimana model AI bisa membantu membaca perubahan itu.
Dua Sumber, Dua Dunia
Saya mengumpulkan data dari dua platform besar yang sering jadi tempat curhat para gamer:
Sebelum rilis: komentar YouTube pada trailer resmi Assassin's Creed: Shadows ini mencerminkan ekspektasi awal para pemain.
Sesudah rilis: ulasan pengguna dari Steam ini mewakili opini setelah mereka benar-benar memainkan gamenya.
Setiap platform saya ambil masing-masing 2.500 komentar atau ulasan, sehingga total ada 5.000 data teks yang saya analisis. Komentar YouTube saya ambil dari 10 bulan sebelum rilis, sedangkan review Steam dikumpulkan selama 30 hari setelah game dirilis pada 20 Maret 2025.
Bagaimana Saya Labeli Komentar-komentar Ini?
Karena tidak semua komentar langsung menyebut "bagus" atau "jelek", saya butuh bantuan model AI untuk membaca sentimen di balik teksnya.
Untuk komentar YouTube, saya menggunakan model DistilBERT yang sebelumnya sudah dilatih untuk mengenali sentimen positif dan negatif.
Untuk ulasan di Steam, prosesnya lebih mudah: Steam sudah memberi tanda Thumbs Up (positif) dan Thumbs Down (negatif), jadi saya tinggal mengikuti metadata itu.
Label sentimen ini lalu saya ubah ke bentuk angka: 1 untuk positif, 0 untuk negatif. Ini diperlukan agar bisa diproses oleh model machine learning.
Membersihkan dan Menyiapkan Data
Sebelum model bisa bekerja, data perlu "dipersiapkan". Ini mirip seperti menyaring kopi sebelum diseduh. Saya melakukan:
Tokenisasi (memecah teks jadi potongan-potongan kata),
Padding dan truncation agar semua teks punya panjang seragam (maksimal 128 kata),
Attention masking, yang membantu model fokus pada bagian penting dari teks.
Semua ini dilakukan dengan bantuan pustaka transformers dari Hugging Face, yang sudah sangat populer di kalangan peneliti AI.
Melatih Model DistilBERT
Setelah data siap, saya melatih model DistilBERT menggunakan:
Optimizer AdamW dengan learning rate 2e-5,
Training dilakukan selama 3 epoch (putaran),
Batch size-nya 16 data per proses,
Evaluasi dilakukan setelah setiap epoch untuk melihat apakah model benar-benar belajar.
Membaca Kata Kunci yang Muncul
Saya juga membuat WordCloud visualisasi kata yang paling sering muncul untuk tiap kategori:
Komentar positif dan negatif sebelum rilis,
Komentar positif dan negatif setelah rilis.
Kata-kata yang sering muncul (misalnya "good" untuk harapan, atau "bad" untuk kritik) bisa memberi gambaran tentang apa yang paling memengaruhi opini pemain di tiap fase.
Apa yang Saya Temukan dari Komentar dan Review Gamer?
Setelah menganalisis 5.000 komentar dan review dari dua platform berbeda YouTube dan Steam saya menemukan banyak hal menarik tentang bagaimana sentimen pemain berubah sebelum dan sesudah Assassin's Creed: Shadows dirilis.
Sebelum dan Sesudah: Data yang Saya Kumpulkan
Saya mengumpulkan 2.500 komentar dari YouTube (sebelum rilis) dan 2.500 ulasan dari Steam (setelah rilis). Semua komentar dibersihkan dari spam dan duplikat agar hasilnya tidak bias. Ini jadi dasar untuk menganalisis bagaimana ekspektasi berubah menjadi realita.
Sentimen Awalnya Cenderung Negatif
Saat saya memberi label sentimen ke komentar-komentar ini, hasilnya cukup jelas:
Di YouTube, komentar negatif mendominasi. Banyak yang meragukan desain karakter, tema budaya, atau bahkan menyindir Ubisoft sebagai developer.
Di Steam, sebaliknya: mayoritas review justru bernada positif.
Ini menunjukkan adanya pergeseran opini yang menarik dari keraguan menjadi kepuasan.
Model AI-nya Cukup Akurat... Tapi Ada Tantangan
Model DistilBERT yang saya latih ternyata bekerja cukup baik:
Untuk data sebelum rilis, akurasinya mencapai 94%.
Tapi untuk data setelah rilis, akurasi turun ke 79%.
Kenapa bisa begitu?
Karena ulasan di Steam cenderung lebih panjang dan kompleks. Banyak pemain menulis review yang campur aduk misalnya, mereka menyukai grafis tapi mengeluh soal gameplay. Model AI kadang kesulitan menangkap "emosi utama" dari review semacam ini, apalagi jika panjang ulasan dipangkas demi efisiensi proses.
Ini menunjukkan bahwa untuk teks panjang, kita mungkin perlu strategi lain, seperti:
Memotong teks jadi beberapa bagian,
Atau menggunakan model AI yang memang dirancang untuk teks panjang seperti Longformer.
Sentimen Positif Naik Tajam Setelah Rilis
Ketika saya bandingkan hasil sentimen dari dua periode itu, hasilnya cukup mengejutkan:
Sentimen positif meningkat sebesar 43,5% setelah game dirilis.
Artinya, banyak gamer yang semula skeptis ternyata berubah pikiran setelah mencobanya langsung. Jadi, kekhawatiran yang muncul dari trailer ternyata tidak sepenuhnya terbukti di lapangan.
Kata-Kata yang Sering Muncul Juga Berubah
Saya juga membuat WordCloud untuk melihat kata apa saja yang sering muncul dalam komentar.
Sebelum rilis, kata seperti "Yasuke", "samurai", "Ubisoft", dan "Japan" mendominasi ini menunjukkan fokus gamer pada isu identitas dan budaya.
Setelah rilis, kata seperti "story", "fun", dan "play" lebih menonjol tanda bahwa fokus beralih ke pengalaman bermain yang nyata.
Walau WordCloud tidak bisa membaca konteks emosinya secara langsung, ia bisa memberi gambaran topik yang banyak dibahas di tiap fase.
Apa Artinya Semua Ini?
Penelitian ini menunjukkan bahwa opini publik terhadap game bisa sangat dinamis. Hanya dari satu game saja, sentimen bisa berbalik arah begitu pemain merasakan langsung kualitasnya. Ini jadi pelajaran penting, baik bagi gamer maupun pengembang game: jangan terlalu cepat menilai dari trailer saja, dan di sisi lain, developer juga perlu menjaga agar kualitas game mampu menjawab ekspektasi yang terbentuk sebelumnya.
Yang membuat pendekatan ini unik adalah kombinasi tiga hal:
Dua platform berbeda (YouTube dan Steam),
Dua waktu berbeda (sebelum dan sesudah rilis),
Dan satu model AI (DistilBERT) yang membantu membacanya.
Belum banyak riset yang mengeksplorasi dinamika ini secara bersamaan. Semoga temuan ini bisa jadi kontribusi kecil untuk dunia game dan teknologi.
Kesimpulan: Ketika Ekspektasi Bertemu Realita
Dari ribuan komentar gamer sebelum dan sesudah perilisan Assassin's Creed: Shadows, saya menemukan satu hal yang cukup mengejutkan: sentimen negatif yang mendominasi sebelum rilis berubah drastis menjadi positif setelah game dimainkan. Peningkatan sentimen positif ini mencapai 43,5%, sebuah angka yang menunjukkan bahwa banyak kekhawatiran awal ternyata tak terbukti.
Dengan bantuan model AI bernama DistilBERT, saya mampu membaca pola-pola emosi dalam komentar digital secara sistematis. Meskipun performa model sedikit menurun saat menghadapi review panjang dan kompleks di Steam, hasil akhirnya tetap menunjukkan bahwa pendekatan ini cukup akurat dan efektif.
Lebih dari sekadar eksperimen teknis, penelitian ini memberi pelajaran penting:
Opini publik bisa sangat berubah, dan teknologi bisa membantu kita memahami perubahan itu asalkan digunakan dengan cermat.
Bagi pengembang game, temuan ini bisa jadi bahan refleksi dalam memahami dinamika komunitas. Bagi gamer, ini jadi pengingat bahwa kadang, game yang diragukan bisa justru memberi pengalaman yang mengejutkan.
Kalau kamu sendiri, apakah pernah mengubah pendapatmu setelah mencoba game yang awalnya kamu ragu?
Follow Instagram @kompasianacom juga Tiktok @kompasiana biar nggak ketinggalan event seru komunitas dan tips dapat cuan dari Kompasiana. Baca juga cerita inspiratif langsung dari smartphone kamu dengan bergabung di WhatsApp Channel Kompasiana di SINI
