@mastersthesis{universitasamikomyogyakarta32100,
           title = {ANALISIS PENERAPAN WORD EMBEDDING TERHADAP
BIDIRECTIONAL LSTM DALAM MODEL ANALISIS
SENTIMEN ULASAN APLIKASI},
           month = {July},
          author = {Verra Budhi Lestari},
          school = {Universitas AMIKOM Yogyakarta},
            year = {2024},
        abstract = {Analisis sentimen aplikasi bertujuan untuk mengetahui polaritas sentimen
ulasan aplikasi berdasarkan umpan balik dari pengguna dengan data dalam jumlah
besar. Berbagai metode machine learning, neural network, hingga deep learning
digunakan dalam membangun model analisis sentimen, namun beberapa masih
memiliki kekurangan terkait lambatnya model dalam mencapai konvergensi
maupun permasalahan mengenai out of vocabulary (OOV). Sehingga diperlukan
penerapan word embedding sebagai upaya dalam meningkatkan keakuratan
klasifikasi. Selain itu penerapan word embedding dinilai dapat menghasilkan
representasi kata yang lebih banyak dan variatif. Word embedding yang diterapkan
dalam penelitian ini adalah Word2Vec, FastText, dan GloVe, hal ini untuk
mengetahui model word embedding serta parameter yang mampu menghasilkan
performa yang unggul saat dikombinasikan dengan Bi-LSTM dalam melakukan
analisis sentimen terhadap ulasan pengguna aplikasi Gojek.
Pada kondisi imbalanced dataset maupun setelah oversampling performa
terbaik dihasilkan saat penerapan Word2Vec dan FastText dengan parameter
window bernilai 5, dan embedding size untuk Word2Vec, FastText, dan GloVe
bernilai 300. Perolehan f1-score pada imbalanced dataset yang dihasilkan
Word2Vec, FastText, dan GloVe sebesar 86,03\%, 86,29\%, 84,54\%, sementara
akurasi pada data setelah oversampling sebesar 87,51\%, 87,85\%, 85,98\%.
Model FastText menghasilkan performa f1-score dan akurasi yang unggul
baik pada parameter tertentu maupun secara rata-rata karena mampu menangani
kata-kata yang memiliki morfologi kompleks maupun out of vocabulary dengan
cara merepresentasikan kata tidak hanya secara penuh namun juga memperhatikan
sub-kata. Selain window dan embedding size, perolehan performa tersebut juga
dipengaruhi oleh penerapan beberapa parameter lain, seperti arsitektur CBOW,
metode evaluasi Hirarchical SoftMax, dan minimum count=10.},
        keywords = {Analisis Sentimen, Bi-LSTM, Word2Vec, FastText, GloVe},
             url = {https://eprints.amikom.ac.id/id/eprint/32100/}
}