ANALISIS SENTIMEN BERBASIS ASPEK PADA ULASAN PRODUK ELEKTRONIK LAPTOP DENGAN BIDIRECTIONAL LONG SHORT-TERM MEMORY (BI-LSTM)
Natural Language Processing (NLP) merupakan bidang penelitian yang berfokus pada pemrosesan bahasa. Sentimen pelanggan pada ulasan produk laptop dapat dianalisis menggunakan teknik NLP. Dalam penelitian ini, analisis sentimen didasarkan pada topik tertentu sehingga disebut sebagai analisis sentimen...
Saved in:
| Main Author: | |
|---|---|
| Format: | Book |
| Published: |
2023-12-18.
|
| Subjects: | |
| Online Access: | Link Metadata |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Natural Language Processing (NLP) merupakan bidang penelitian yang berfokus pada pemrosesan bahasa. Sentimen pelanggan pada ulasan produk laptop dapat dianalisis menggunakan teknik NLP. Dalam penelitian ini, analisis sentimen didasarkan pada topik tertentu sehingga disebut sebagai analisis sentimen berbasis aspek. Penelitian ini menggunakan metode deep learning untuk mengotomatisasi proses ekstraksi fitur pada data. Dataset untuk model diperoleh melalui web scraping ulasan laptop pada situs e-commerce di Indonesia dan diberi label dengan metode sequence labeling berformat BIO, menghasilkan 2 class yaitu aspek dan sentimen. Class aspek terdiri dari 7 label (B-BOD, I-BOD, B-POW, I-POW, B-KEY, I-KEY, dan O). Class sentimen terdiri dari 5 label (B-POS, I-POS, B-NEG, I-NEG, dan O). Model dibangun dengan algoritma Bidirectional Long Short-Term Memory (Bi-LSTM), menghasilkan nilai accuracy dan F1-score terbaik secara beurutan sebesar 0.865 dan 0.739 (model deteksi aspek), 0.846 dan 0.681 (model deteksi sentimen), serta 0.836 dan 0.611 (model deteksi aspek dan sentimen). Model ini diimplementasikan pada halaman web agar dapat menerima input dari pengguna, memberikan alat berharga untuk kepentingan bisnis dalam memahami feedback pelanggan. Natural Language Processing (NLP) is a research field that focuses on language processing. Customer sentiments in laptop product reviews can be analyzed using NLP techniques. In this study, sentiment analysis is conducted based on specific topics, making it referred to as aspect-based sentiment analysis. Deep learning methods are employed to automate feature extraction from data. The dataset for the model is obtained through web scraping laptop reviews e-commerce site in Indonesia and labeled using the BIO format sequence labeling method, resulting in two classes: aspect and sentiment. The aspect class consists of 7 labels (B-BOD, I-BOD, B-POW, I-POW, B-KEY, I-KEY, and O). The sentiment class consists of 5 labels (B-POS, I-POS, B-NEG, I-NEG, and O). The model is built using the Bidirectional Long Short-Term Memory (Bi-LSTM) algorithm and achieves the best consecutive accuracy and F1-scores of 0.865 and 0.739 (aspect detection model), 0.846 and 0.681 (sentiment detection model), 0.836 and 0.611 (aspect and sentiment detection model). This model is implemented on a web page to receive user input, providing a valuable tool for businesses to deeply understand customer feedback. |
|---|---|
| Item Description: | http://repository.upi.edu/113994/7/S_KOM_1903510_Title.pdf http://repository.upi.edu/113994/2/S_KOM_1903510_Chapter1.pdf http://repository.upi.edu/113994/3/S_KOM_1903510_Chapter2.pdf http://repository.upi.edu/113994/4/S_KOM_1903510_Chapter3.pdf http://repository.upi.edu/113994/5/S_KOM_1903510_Chapter4.pdf http://repository.upi.edu/113994/6/S_KOM_1903510_Chapter5.pdf |