KLASIFIKASI TEKS SENTIMEN REVIEW E-COMMERCE MENGGUNAKAN ALGORITMA LONG SHORT-TERM MEMORY (LSTM) = SENTIMENT TEXT CLASSIFICATION OF E-COMMERCE REVIEW USING LONG SHORT-TERM MEMORY (LSTM) ALGORITHM


Salam, Nurfadila Firdani (2021) KLASIFIKASI TEKS SENTIMEN REVIEW E-COMMERCE MENGGUNAKAN ALGORITMA LONG SHORT-TERM MEMORY (LSTM) = SENTIMENT TEXT CLASSIFICATION OF E-COMMERCE REVIEW USING LONG SHORT-TERM MEMORY (LSTM) ALGORITHM. Skripsi thesis, Universitas Hasanuddin.

[thumbnail of Cover]
Preview
Image (Cover)
H071171014_skripsi cover1.png

Download (180kB) | Preview
[thumbnail of Bab 1-2] Text (Bab 1-2)
H071171014_skripsi bab 1-2.pdf

Download (2MB)
[thumbnail of Dapus] Text (Dapus)
H071171014_skripsi daftar pustaka.pdf

Download (1MB)
[thumbnail of Full Text] Text (Full Text)
H071171014_skripsi.pdf
Restricted to Repository staff only

Download (5MB)

Abstract (Abstrak)

Kehadiran teknologi internet pada dunia global saat ini sungguh memberikan dampak yang sangat besar untuk segala bidang, salah satunya bidang penjualan. E-commerce merupakan sarana pendukung yang kuat sehingga dapat membantu perusahaan dalam mencapai tujuannya, penjualan online menyediakan fitur review untuk pelanggan sebagai sarana untuk menyampaikan kekurangan atau kelebihan dari suatu produk yang ditawarkan. Dalam Review terdapat sentiment yang merupakan suatu ungkapaan perasaan pelanggan terhadap produk yang dibeli pada suatu perusahaan. Perusahaan ini membutuhkan alat untuk mengklasifikasikan sentimen secara otomatis. Long short-term memory (LSTM) merupakan bagian dalam algoritma Deep learning yang dapat mengklasifikasi data berupa text sequence, seperti review pelanggan. Pada penelitian ini, peneliti menggunakan model Algoritma Long short-term memory (LSTM) yaitu Vanilla LSTM dan Bidirectional LSTM untuk mengklasifikasi review text e-commerce. Hasil dari penelitian tentang analisis sentimen pada data woman’s e-commerce clothing review menggunakan Bidirectional LSTM mampu menghasilkan nilai accuracy dan F1-Score yang lebih baik dibandingkan dengan Vanilla LSTM pada epoch 5 dengan niai Accuracy 87.8%, f1-score negative 51.8%, f1-score neutral 92.6% dan f1-score positive 73.4% .
Kata kunci: Review, Long Short Term Memory, Vanilla LSTM, Bidirectional LSTM

Item Type: Thesis (Skripsi)
Subjects: Q Science > QA Mathematics
Divisions (Program Studi): Fakultas Matematika dan Ilmu Peng. Alam > Matematika
Depositing User: S.Sos Rasman -
Date Deposited: 13 Jun 2022 02:47
Last Modified: 13 Jun 2022 02:47
URI: http://repository.unhas.ac.id:443/id/eprint/16524

Actions (login required)

View Item
View Item