Implementasi Algoritma Bidirectional Long Short-Term Memory (Bi-LSTM) untuk Analisis Sentimen Review (Feedback) Pelanggan

Tjiptadjaja, Casey (2024) Implementasi Algoritma Bidirectional Long Short-Term Memory (Bi-LSTM) untuk Analisis Sentimen Review (Feedback) Pelanggan. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (215kB)
	PDF BAB_II.pdf Download (263kB)
	PDF BAB_III.pdf Download (762kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (205kB)
	PDF DAFTAR_PUSTAKA.pdf Download (211kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (231kB)

Abstract

Pada generasi sekarang banyak perusahaan besar maupun kecil sedang bersaing dengan ketat menciptakan hal yang lebih baik dari yang terdapat di pasaran, salah satu cara mereka dapat mewujudkan hal tersebut adalah dengan cara penjaminan kualitas jasa atau barang yang lebih baik dari yang lainnya. Untuk meningkatkan kualitas layanan dari barang atau jasa yang ditawarkan, pihak penyedia harus melakukan penelitian mengenai feedback dari pengguna atau pelanggan mereka. Kebanyakan perusahaan menengah dan kecil, seperti UMKM, toko online, dan sebagainya, melakukan riset mengenai feedback customer secara manual, dengan melihat satu per satu feedback dari pelanggan, yang dimana sangat tidak efektif dan efisien jika feedback customer yang didapatkan sangat banyak. Maka dari itu, penelitian ini dibuat dengan maksud dan tujuan ingin membantu para perusahaan- perusahaan menengah dan kecil dalam analisis sentimen pelanggan mereka, serta tren dalam periode tertentu. Pada penelitian ini akan dilakukan penerapan algoritma Bidirectional Long Short-Term Memory (Bi-LSTM) untuk melakukan analisis sentimen pada feedback pelanggan. Penelitian ini juga melakukan perbandingan dengan metode deep learning lainnya sebagai pembanding dengan metode yang diusulkan, yaitu algoritma Uni-LSTM, GRU, CNN, dan Simple-RNN. Setelah dilakukan pengujian, hasil akurasi algoritma Uni-LSTM, Bi-LSTM, GRU, CNN, dan Simple-RNN secara berurutan adalah 52.2%, 92.4%, 52.2%, 90.9%, dan 49.7%. Lalu didapatkan bahwa algoritma Bi-LSTM dengan unit 64, epoch training sebanyak lima (5), dan rasio training dan testing sebesar 80:20, serta model yang mengimplementasikan aktivasi 'relu' (Rectified Linear Unit) mendapatkan hasil yang paling maksimal, yaitu mendapatkan akurasi 92.4%, yang dimana merupakan akurasi paling unggul jika dibandingkan dengan akurasi yang menggunakan model dan algoritma lainnya.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Analisis Sentimen, Bi-LSTM, Deep Learning, Review Pelanggan
Subjects:	?? T58.5-58.64 ??
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	11 Nov 2024 11:16
Last Modified:	11 Nov 2024 11:16
URI:	https://kc.umn.ac.id/id/eprint/34513

Actions (login required)

View Item