METODE”GLOBAL VECTOR”(GLOVE) UNTUK REPRESENTASIVEKTOR KATA PADA ULASAN HOTEL DI INDONESIA

Mulyanto, Lutfi Dian (2020) METODE”GLOBAL VECTOR”(GLOVE) UNTUK REPRESENTASIVEKTOR KATA PADA ULASAN HOTEL DI INDONESIA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (634kB)
	Text (BAB I) BAB I.pdf Download (230kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (992kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (206kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (901kB)
	Text (BAB V) BAB V.pdf Download (39kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (180kB)
	Archive (SOURCE CODE) Source Code-17.11.0953-Lutfi Dian Mulyanto - Lutfi Dian Mulyanto.zip Restricted to Repository staff only Download (209kB)
	Text (PUBLIKASI) Publikasi-17.11.0953-Lutfi Dian Mulyanto - Lutfi Dian Mulyanto.pdf Restricted to Repository staff only Download (529kB)

Abstract

Perkembangan teknologi informasi membuat produksi data meningkat drastis. Kita bisa mendapatkan banyak data dari internet, termasuk data ulasan tentang suatu produk atau layanan. Semakin banyak data didapat system dibutuhkan untuk mengolahnya. Sentimen analisis adalah pemrosesan teks dari Natural Language Processing (NLP) yang dapat membantu untuk melihat kualitas layanan yang ditawarkan, termasuk layanan hotel. Penelitian ini menggunakan data ulasan hotel untuk melaksanakannya analisis sentimen yang diperoleh dari situ web Traveloka. Data diklasifikasikan menggunakan Long Short Term Memory (LSTM). Untuk mendapatkan hasil yang lebih baik, penulis menggunakan word embedding kata untuk mengubah kata menjadi vektor. Penelitian ini bertujuan untuk membandingkan kinerja sentimen analisis menggunakan word embedding dengan tidak mennggunakan word embedding. Metode word embedding yang digunakan Global Vector (Glove). Dari percobaan yang dilakukan, hasilnya terlihat bahwa metode word embedding Global Vector (Glove) memiliki keakuratan tinggi 98%, presisi 97%, recall 98% dan f1-score 98%. Sedangkan tanpa menggunakan word embedding memiliki keakuratan 97%, presisi 95%, recall 98%, dan f1-score 97%. Akan tetapi untuk kecepatan epoch lebih tinggi tidak menggunakan word embedding dengan akurasi terbaik di epoch 6 dan untuk menggunakan word embedding di epoch 12. Sehingga disimpulkan bahwa sentimen analisis menggunakan word embedding lebih khususnya metode Global Vector (Glove) tidak ada perbedaan secara signifikan dengan tanpa menggunakan word embedding hanya berbeda 1% tingkat akurasi.

Actions (login required)

View Item