Analisis Sentimen Aspek Ulasan Penggunaan Aplikasi Tinder Menggunakan Teknik Deep Learning

Isa Yudhistira, Galih (2025) Analisis Sentimen Aspek Ulasan Penggunaan Aplikasi Tinder Menggunakan Teknik Deep Learning. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (652kB)
	PDF BAB_I.pdf Download (489kB)
	PDF BAB_II.pdf Download (549kB)
	PDF BAB_III.pdf Download (621kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_V.pdf Download (206kB)
	PDF DAFTAR_PUSTAKA.pdf Download (187kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) CREATION_FILE.zip Download (21MB)

Abstract

Perkembangan pesat teknologi dan internet di Indonesia telah mengubah cara masyarakat berinteraksi, termasuk dalam penggunaan aplikasi mobile. Indonesia menempati posisi penting dalam peta global penggunaan aplikasi mobile, dengan Tinder sebagai salah satu platform kencan daring paling populer, yang pada tahun 2020 menguasai sekitar 57,6% pangsa pasar aplikasi kencan di Indonesia. Dengan lebih dari 100 juta unduhan dan jutaan ulasan pengguna di Google Play Store, Tinder menjadi sumber data penting untuk memahami pengalaman dan sentimen pengguna. Analisis sentimen otomatis terhadap ulasan ini menjadi alat krusial untuk mengidentifikasi opini positif, dan negatif secara efisien. Penelitian ini mengkaji performa tiga model pembelajaran mendalam, yaitu Long Short-Term Memory (LSTM), Bidirectional LSTM (BiLSTM), dan Convolutional Neural Network (CNN), dalam menganalisis sentimen ulasan pengguna Tinder di Google Play Store. Data yang digunakan terdiri dari 5000 ulasan teks terbaru dalam kurun waktu Februari 2025, yang diproses melalui tahapan Knowledge Discovery In Databases (KDD) meliputi seleksi, pra-pemrosesan, transformasi, data mining, dan evaluasi. Model BILSTM yang dikombinasikan dengan penyesuaian bobot kelas dan tuning hyperparameter menunjukkan performa terbaik dengan akurasi 94% serta recall kelas positif 86%, menandakan keseimbangan optimal antara sensitivitas dan presisi. Model ini melampaui BILSTM dengan penyesuaian bobot kelas saja yang memiliki akurasi 93% dan recall positif 79%, serta BILSTM standar dengan akurasi 92% dan recall positif 77%. Model LSTM menunjukkan performa yang bervariasi antara 92-94%, namun tuning hyperparameter pada LSTM dasar justru menurunkan akurasi menjadi 92%. Sementara itu, model CNN mempertahankan kestabilan performa pada kisaran 90-91%, meskipun dengan presisi dan recall kelas positif yang lebih rendah dibanding model LSTM dan BILSTM. Kesimpulannya, optimasi BILSTM melalui penyesuaian bobot kelas dan tuning hyperparameter merupakan pendekatan paling efektif untuk klasifikasi sentimen berbasis teks dalam penelitian ini.

Item Type:

Thesis (Bachelor Thesis)

Keywords:

Analisis Sentimen, Google Play, Aplikasi Kencan Tinder, CNN , BiLSTM , LSTM

Creators: