Puspaningrum, Alifia (2018) Metode Embedding LSTM Berbasis Similarity Cluster LDA untuk Klasifikasi Perubahan Perangkat Lunak pada Mobile App Review. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
5116201040-Master_Thesis.pdf - Accepted Version Download (1MB) | Preview |
Abstract
Seiring dengan perkembangan aplikasi bergerak, perbaikan dan evolusi perangkat lunak menjadi salah satu hal yang wajib untuk dilakukan. Salah satu input yang dapat digunakan dalam proses tersebut diantaranya adalah pengalaman pengguna dalam menggunakan produk. Review produk dapat menjadi salah satu pendekatan untuk memetakan perubahan yang terjadi pada perangkat lunak. Beberapa jenis kategori perubahan perangkat lunak yang sering digunakan sebagai pemetaan diantaranya adalah Bug Error, Feature Request, dan Non Informative.
Latent Dirichlet Allocation (LDA) merupakan salah satu metode topic modelling yang mampu memetakan hidden topik dari suatu dokumen. Namun, LDA memiliki kekurangan dalam mengkategorikan dokumen ke dalam salah satu tipe dari kategori klasifikasi secara langsung. Penelitian ini mengusulkan metode yang menggabungkan LDA dengan similarity clustering untuk melabeli dokumen. Selanjutnya, hasil yang diperoleh akan diproses pada proses klasifikasi. Adapun perluasan term list pada saat pengukuran similarity menggunakan metode Term Frequency – Inverse Cluster Frequency (TF-ICF). Selain itu, pendeknya kalimat serta sensitivitas semantik menjadi hal yang terkadang menghambat kinerja klasifikasi teks pendek. Oleh karena itu, penelitian ini mengusulkan metode klasifikasi berbasis word embedding dan Long Short Term Memory (LSTM) untuk mengatasi hal tersebut. Adapun ekstraksi fitur yang digunakan adalah melalui Word Embedding. Hasil dari ekstraksi fitur selanjutnya digunakan dalam proses klasifikasi menggunakan metode LSTM.
Performa dari hasil klasifikasi selanjutnya akan dihitung dengan menggunakan precision, recall, dan F1-score untuk pelabelan dokumen serta akurasi untuk klasifikasi dokumen. Hasil uji coba menunjukan bahwa metode yang diusulkan dapat melakukan pelabelan serta pengklasifikasian dokumen review perangkat lunak. Hal ini ditunjukan dengan nilai precision, recall dan f-measure dokumen pelabelan terbaik sebesar 56,2%, 49,5%, dan 50,2%, serta akurasi pengklasifikasian terbaik yang mencapai nilai 90,24%.
Kata kunci: Review Mining, Klasifikasi Perubahan Perangkat Lunak, LSA, LSTM, Word Embedding
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | Review Mining, Klasifikasi Perubahan Perangkat Lunak, LSA, LSTM, Word Embedding |
| Subjects: | T Technology > T Technology (General) > T57.5 Data Processing |
| Divisions: | Faculty of Information and Communication Technology > Informatics > 55101-(S2) Master Thesis |
| Depositing User: | Alifia Puspaningrun |
| Date Deposited: | 06 Jul 2021 10:57 |
| Last Modified: | 06 Jul 2021 10:57 |
| URI: | http://repository.its.ac.id/id/eprint/55741 |
Actions (login required)
 |
View Item |