Analisis Sentimen Teks Bahasa Indonesia pada Ulasan dari Google Play Store Menggunakan Long Short-Term Memory (Studi Kasus: Gojek Dan Grab)

Muhammad, Wisama Azka (2021) Analisis Sentimen Teks Bahasa Indonesia pada Ulasan dari Google Play Store Menggunakan Long Short-Term Memory (Studi Kasus: Gojek Dan Grab). Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
05211740000052-Undergraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2023.

Download (4MB) | Request a copy

Abstract

Tingginya pengguna smartphone di Indonesia membuat adanya perubahan gaya hidup sehari-hari masyarakat. Perubahan tersebut membuat berbagai penyedia layanan yang mulai menyediakan layanannya menjadi berbasis aplikasi mobile seperti Gojek dan Grab yang menyediakan layanan transportasi. Kedua aplikasi tersebut saling bersaing untuk menguasai pasar Indonesia dan berusaha menyediakan aplikasi yang terbaik untuk memenuhi kebutuhan pelanggannya. Permasalahan yang dihadapi pengembang kedua aplikasi tersebut adalah mengetahui kelemahan dan kelebihan dari aplikasi mereka yang telah dirilis, sehingga perlu dilakukan pembaruan aplikasi secara berkala untuk menutup kekurangan dan menambahkan fitur baru untuk meningkatkan kepuasan pelanggan. Pengembang aplikasi dapat mengetahui kekurangan dan kelebihan tersebut berdasarkan hasil ulasan yang diberikan pengguna pada platform distribusi aplikasi. Namun, hanya dengan melihat ulasan saja tidak cukup untuk melakukan pengambilan keputusan karena jumlah ulasan yang masif dan kurang menggambarkan kondisi aplikasi tersebut secara menyeluruh, sehingga diperlukan analisis lebih lanjut agar informasi ulasan tersebut lebih bermakna. Maka dari itu, penelitian ini bertujuan untuk melakukan analisis terhadap data yang diklasifikasikan ke dalam kategori dan sentimen yang sesuai. Metode yang digunakan untuk melakukan analisis adalah Long Short-Term Memory (LSTM). Metode ini merupakan jenis lain dari Recurrent Neural Network yang memiliki perbedaan pada modul jaringannya. Setelah dilakukan analisis dan evaluasi model LSTM, akan dibuat visualisasi dan analisis lebih lanjut terkait data ulasan. Hasil dari penelitian tugas akhir ini adalah didapatkannya performa klasifikasi model LSTM dan analisis lebih dalam terkait data teks ulasan. ==================================================================================================== The high number of smartphone users in Indonesia makes shifts in people's daily lifestyles. These shifts can be seen in many service providers that have started to make their service available as a mobile application, such as Gojek and Grab, which provide transportation services. Both applications are competing with each other to dominate the Indonesian market and try to provide the best applications that can satisfy their customers. Upon releasing the application, the developer of these apps will struggle to find the weaknesses and strengths of their application. So it is necessary to update regularly to patch any deficiencies and add new features to improve customer satisfaction. These developers can find out how their apps perform based on ratings and reviews given by users on where the app is distributed. However, evaluating the application by just looking at the rating score isn't enough, and reading only a handful of reviews won't be able to fully evaluate the application, so further analysis will be needed. Therefore, this study aims to analyze that user reviews, which will be classified into their appropriate category and sentiment. Long Short-Term Memory (LSTM) will be used as the method to perform analysis and classification. LSTM is another type of Recurrent Neural Network, which differs in its module inside the network. After analyzing and evaluating the LSTM model, further analysis using visualization will be done to the review data. The results of this thesis research is to get LSTM model performance in classification and deeper analysis of the review text data.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Analisis Sentimen, Sentiment Analysis, Ulasan, Review, Google Play Store, Deep Learning, Long Short-Term Memory
Subjects: Q Science > Q Science (General) > Q325.5 Machine learning.
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User: Wisama Azka Muhammad
Date Deposited: 24 Aug 2021 03:57
Last Modified: 24 Aug 2021 03:57
URI: https://repository.its.ac.id/id/eprint/89090

Actions (login required)

View Item View Item