Analisis Sentimen Teks Bahasa Indonesia Pada Media Sosial Menggunakan Algoritma Convolutional Neural Network (Studi Kasus : E-Commerce)

Wattimena, Alden Delfian (2018) Analisis Sentimen Teks Bahasa Indonesia Pada Media Sosial Menggunakan Algoritma Convolutional Neural Network (Studi Kasus : E-Commerce). Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
05211440007007-Undergraduate_Theses.pdf - Published Version
Restricted to Repository staff only

Download (3MB) | Request a copy

Abstract

Penggunaan internet di Indonesia sebagian besar digunakan untuk mendapatkan pembaruan informasi khususnya dari media sosial. Media sosial saat ini banyak diminati oleh setiap kalangan, yang memungkinkan penggunanya dapat mengirimkan pesan secara bebas. E-commerce dapat menggunakan informasi yang didapat melalui media sosial untuk mengidentifikasi pola perilaku pelanggan melalui analisis sentimen. Mendeteksi sentimen terhadap suatu layanan dan mengidentifikasi indikator yang dapat mendorong inovasi untuk pertumbuhan e-commerce. Namun, analisis sentimen pada praktiknya dirasa memiliki beberapa tantangan antara lain, keberagaman bahasa yang digunakan oleh masyarakat Indonesia, yang mengakibatkan masalah sekaligus tantangan terhadap proses klasifikasi tulisan atau opini yang berada di media sosial yang menggunakan bahasa Indonesia. Pada penelitian ini akan digunakan algoritma Convolutional Neural Network (CNN) untuk membangun sebuah model untuk mengklasifikasikan teks yang dapat melakukan analisis sentimen untuk menentukan pandangan publik mengenai layanan e-commerce melalui media sosial. Sehingga mampu memberikan rekomendasi terbaik terhadap pengambil keputusan. Pada penelitian ini digunakan data yang berhubungan dengan topik e-commerce. Data yang dikumpulkan berasal dari akun media sosial twitter 5 e-commerce besar di Indonesia yaitu Bukalapak, Tokopedia, Blibli, Lazada dan Shopee. Penggunaan algoritma Convolutional Neural Network digunakan dalam beberapa tahapan. Tahapan tersebut diawali dengan melihat hasil pengujian menggunakan output model word embedding yang paling baik. Pada penelitian didapatkan model Word2Vec dengan learning algorithm Skip-gram menghasilkan nilai lebih baik dibandingkan model yang lainnya. Selanjutnya dilakukan pengujian algoritma Convolutional Neural Network menggunakan dua model yaitu CNN-non-static dan CNN-static. Hasil evaluasi pengukuran pada 3 subtask juga menghasilkan nilai CNN-static lebih baik pada 2 subtask dibandingkan dengan model CNN-non-static. Namun, jika dilihat hasil evaluasi pengukuran memiliki nilai perbedaan yang sangat kecil. Selain hal tersebut, dalam menentukan paramater dilakukan proses perubahan paramaterr pada ukuran filter size dan feature maps. Hasil evaluasi pengukuran mendapati rata-rata hasil evaluasi pengukuran menunjukkan proses meningkatkan filter size dari single menjadi multiple dapat meningkatkan hasil evaluasi pengukuran yang dilakukan pada model. Selain itu hasil dari tren perubahan nilai evaluasi pengukuran single filter region size menunjukkan tren yang semakin rendah seiring dengan pertambagan ukuran single filter region size. Proses pelatihan model pada 3 subtask berbeda didapatkan nilai filter region size paling baik adalah 1, 2, 3 dengan nilai rata-rata nilai feature maps adalah 100. =============== Internet usage in Indonesia is mostly to get information from social media. Social media is currently in great demand by every group, allowing users to learn messages freely. E-commerce can use information obtained through social media to find the right patterns of analysis. Detects sentiments into services and indicators that can drive innovation for e-commerce growth. However, the analysis of sentiments in practice is felt to have several challenges, among others, the diversity of languages used by the people of Indonesia, which brings problems as well as to the process of understanding language in social media using the Indonesian language. In this research, the Convolutional Neural Network (CNN) algorithm will be used to create a model for collecting text that can perform analysis to determine the public through e-commerce through social media. Only able to provide the best results for decision makers. In this study used data relating to the topic of e-commerce. The data collected comes from the social media accounts of twitter 5 major e-commerce in Indonesia namely Bukalapak, Tokopedia, Blibli, Lazada and Shopee. Use of Convolutional Neural Network algorithm in several stages. The stages are started by looking at the test results using the best embedding word output model. In the research obtained by Word2Vec model with Skip-gram learning algorithm make better value than other model. Then the convolutional neural network algorithm is tested using two models, namely CNN-non-static and CNN-static. The evaluation results in 3 subtasks also resulted in better CNN-static values in 2 subtasks with the CNN-non-static model. However, people will get very little results. In addition to these things, in determining the parameters that exist on filter size and feature map parameters. The result of the average measurements of the highest average results used to measure the size of the filter from one to several can improve the measurement results performed on the model. In addition, the result of the study is the single-size filter area of increasing trend sizes along with the size of a single sieve size. The model training process in 3 different subtasks obtained the average filter size of the best area is 1, 2, 3 with the average value of the average feature map is 100.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Deep Learning, Analisis Sentimen, Media Sosial, Convolutional Neural Network, Klasifikasi Teks, Word Embedding, Word2Vec, FastText, e-commerce, learning algorithm Skip-gram
Subjects: H Social Sciences > HF Commerce > HF5548.32 Electronic commerce.
H Social Sciences > HM Sociology > HM742 Online social networks.
Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
T Technology > T Technology (General) > T57.5 Data Processing
T Technology > T Technology (General) > T58.62 Decision support systems
Divisions: Faculty of Information and Communication Technology > Information Systems > (S1) Undergraduate Theses
Depositing User: Alden Delfian Wattimena
Date Deposited: 13 Sep 2018 08:30
Last Modified: 13 Sep 2018 08:30
URI: http://repository.its.ac.id/id/eprint/52630

Actions (login required)

View Item View Item