UMPPUMPP

Jurnal Surya InformatikaJurnal Surya Informatika

Penelitian ini membahas sistem analisis sentimen aplikasi menggunakan teknik pembelajaran mesin. Tujuannya adalah untuk mengidentifikasi sentimen positif, netral, dan negatif dari ulasan aplikasi Shopee Indonesia. Metode yang digunakan meliputi pengumpulan data ulasan aplikasi menggunakan Google Play Scraper, penghapusan duplikasi, dan preprocessing data untuk siap digunakan dalam model klasifikasi. Model-model yang digunakan adalah BERT, LSTM, dan CNN. Model BERT didapatkan dengan menggunakan pre-trained bert-base-uncased dan dilatih dengan dataset ulasan aplikasi yang telah diproses. Sedangkan model LSTM dan CNN didapatkan dengan menggunakan tokenizer dan teknik padding sequence untuk menghadapi masalah variabel panjang teks. Hasil eksperimen menunjukkan bahwa semua tiga model memiliki performa yang baik dalam mengklasifikasikan sentimen ulasan aplikasi. Namun, model BERT memberikan hasil akurasi tertinggi (83%) dibandingkan dengan model LSTM (78%) dan CNN (75%). Hasil ini menunjukkan model BERT dapat menganalisis sentimen aplikasi secara efektif karena kemampuannya dalam mendeteksi pola bahasa kompleks dan meningkatkan akurasi prediksi.

Model BERT menunjukkan kinerja terbaik dengan akurasi 83%, secara signifikan lebih tinggi dibandingkan LSTM (78%) dan CNN (75%).Kelebihan BERT dapat dijelaskan oleh kemampuannya menangkap konteks kata secara bidirectional, sehingga menghasilkan klasifikasi yang lebih akurat.Dapat disimpulkan bahwa BERT merupakan pilihan tepat untuk analisis sentimen ulasan aplikasi mobile di Indonesia.

Berikut tiga saran penelitian lanjutan yang dapat dikembangkan: (1) Meneliti pengaruh penggabungan data multi-moda (teks, gambar, dan metadata) pada akurasi klasifikasi sentimen dengan model BERT, sehingga dapat mengeksplorasi sinergi antara elemen teks dan visual dalam ulasan aplikasi; (2) Mengkaji efektivitas transfer learning antara domain e-commerce dan domain layanan publik, sehingga model dapat menyesuaikan diri dengan konteks baru tanpa memerlukan data latih yang besar; dan (3) Mengembangkan pipeline evaluasi real-time di mana model BERT diintegrasikan dalam sistem monitoring aplikasi, dengan menilai dampak perubahan skor sentimen terhadap peningkatan user experience secara periodik.

  1. Refining Word Embeddings for Sentiment Analysis - ACL Anthology. refining word embeddings sentiment analysis... aclanthology.org/D17-1056Refining Word Embeddings for Sentiment Analysis ACL Anthology refining word embeddings sentiment analysis aclanthology D17 1056
  2. Analisis Sentimen Review Aplikasi LinkedIn di Google Play Store Menggunakan Support Vector Machine |... ojs.stmik-banjarbaru.ac.id/index.php/progresif/article/view/1614Analisis Sentimen Review Aplikasi LinkedIn di Google Play Store Menggunakan Support Vector Machine ojs stmik banjarbaru ac index php progresif article view 1614
  3. Vol. 13 No. 1 (2023): Surya Informatika, Vol. 13. No. 1, Mei 2023 | Jurnal Surya Informatika. vol surya... doi.org/10.48144/suryainformatika.v13i1Vol 13 No 1 2023 Surya Informatika Vol 13 No 1 Mei 2023 Jurnal Surya Informatika vol surya doi 10 48144 suryainformatika v13i1
Read online
File size155.25 KB
Pages5
DMCAReport

Related /

ads-block-test