ANALISIS PENERAPAN WORD EMBEDDING TERHADAP BIDIRECTIONAL LSTM DALAM MODEL ANALISIS SENTIMEN ULASAN APLIKASI

Lestari, Verra Budhi (2024) ANALISIS PENERAPAN WORD EMBEDDING TERHADAP BIDIRECTIONAL LSTM DALAM MODEL ANALISIS SENTIMEN ULASAN APLIKASI. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS)
22.51.1191 Verra Budhi Lestari.pdf
Download (7MB)

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.

Item Type:

Thesis (S2 - Magister)

Contributor: