Klasifikasi Ulasan Aplikasi E-Commerce Pada Google Play Store Menggunakan Latent Dirichlet Allocation Dan Deep Learning.

Seloatmodjo, Joseph Eric Amadeo (2022) Klasifikasi Ulasan Aplikasi E-Commerce Pada Google Play Store Menggunakan Latent Dirichlet Allocation Dan Deep Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111840000077-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (2MB)

Abstract

Aplikasi E-commerce adalah aplikasi yang memungkinkan penggunanya untuk melakukan transaksi jual-beli secara online pada aplikasi tersebut. Ulasan pada aplikasi-aplikasi e-commerce di Google Play Store dapat menggambarkan pengalaman pengguna selama menggunakan aplikasi. Namun sayangnya ulasan aplikasi pada Google Play Store tidak memiliki label topik. Pengguna dapat secara bebas menuliskan ulasannya tanpa batasan topik. Hal ini tentunya menyulitkan perusahaan dalam melakukan analisa ulasan aplikasi-aplikasi e-commerce. Sistem pada penelitian ini mampu mengklasifikasikan sentimen maupun topik dari ulasan aplikasi e-commerce. Pertama-tama, topik-topik dari ulasan aplikasi e-commerce dicari menggunakan metode topic modelling, yaitu menggunakan Latent Dirichlet Allocation (LDA). Setelah topik didapatkan, digunakan pseudolabelling untuk mendapatkan dataset yang dilabeli. Dataset yang sudah dilabeli selanjutnya digunakan dalam pembuatan model klasifikasi topik ulasan. Selain itu, juga dibuat sebuah model yang mampu mengklasifikasikan sentimen ulasan menggunakan attribut score dari dataset ulasan. Dari proses ini, topik dan sentimen ulasan dapat diprediksi oleh sistem ini. Performa terbaik model klasifikasi topik dihasilkan oleh model berbasis Bidirectional Gated Recurrent Unit (BiGRU) dengan nilai akurasi 99.724%. Parameter terbaik model ini yang dihasilkan dari proses hyperparameter tuning adalah: jumlah unit neuronsebanyak 64, rate dropout layer sebesar 0.5, dan menggunakan SGD optimizer. Peforma terbaik model klasifikasi sentimen dihasilkan oleh model berbasis Gated Recurrent Unit (GRU) dengan nilai akurasi 83.372%
=================================================================================================================================
E-commerce applications are applications that allow users to sell and create purchases online within the application. Reviews on e-commerce applications on the Google Play Store can describe user experience while using the application. However, app reviews on the Google Play Store do not have topic labels. Users can write their reviews without topic restrictions. This will hinder companies in analyzing reviews of e-commerce applications. The system in this study is able to classify sentiments and topics from e-commerce applications reviews. First, the topics from the e-commerce application review were searched using a topic modeling method, Latent Dirichlet Allocation (LDA). After all the topic is obtained, pseudolabelling will be used to obtain the labeled dataset. The labeled dataset is then used in making the review topic classification model. In addition, sentiment classifier model is made by using the score attribute from the review dataset. From this process, the topic and sentiment of the review can be predicted by this system. The best performance of the topic classification model was generated by the Bidirectional Gated Recurrent Unit (BiGRU) based model with an accuracy value of 99.724%. The best parameters of this model that are produced from the hyperparameter tuning process are: the number of neuron units: 64, dropout layer rate: 0.5, and optimizer: SGD. The best performance of the sentiment classification model is generated by the Gated Recurrent Unit (GRU) based model with an accuracy value of 83.372%

Item Type:	Thesis (Other)
Additional Information:	RSIf 005.72 Sel k-1 2022
Uncontrolled Keywords:	Ulasan , LDA, Klasifikasi, Pseudolabelling , Topik. Review, LDA, Classification, Pseudolabelling, Topic.
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	25 May 2026 07:58
Last Modified:	25 May 2026 07:58
URI:	http://repository.its.ac.id/id/eprint/133413

Actions (login required)

View Item