YUDONO, Rafif Imaduddin (2025) Analisis Sentimen Ulasan Produk E-Commerce Menggunakan Model Long Short Term Memory. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Rafif Imaduddin Yudono-H1A021084-Skripsi-2025.pdf Download (86kB)
	PDF (Legalitas) LEGALITAS-Rafif Imaduddin Yudono-H1A021084-Skripsi-2025.pdf Restricted to Repository staff only Download (3MB)
	PDF (Abstrak) ABSTRAK-Rafif Imaduddin Yudono-H1A021084-Skripsi-2025.pdf Download (2MB)
	PDF (BabI) BAB-I-Rafif Imaduddin Yudono-H1A021084-Skripsi-2025.pdf Restricted to Repository staff only until 22 August 2026. Download (2MB)
	PDF (BabII) BAB-II-Rafif Imaduddin Yudono-H1A021084-Skripsi-2025.pdf Restricted to Repository staff only until 22 August 2026. Download (2MB)
	PDF (BabIII) BAB-III-Rafif Imaduddin Yudono-H1A021084-Skripsi-2025.pdf Restricted to Repository staff only until 22 August 2026. Download (2MB)
	PDF (BabIV) BAB-IV-Rafif Imaduddin Yudono-H1A021084-Skripsi-2025.pdf Restricted to Repository staff only Download (2MB)
	PDF (BabV) BAB-V-Rafif Imaduddin Yudono-H1A021084-Skripsi-2025.pdf Download (2MB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Rafif Imaduddin Yudono-H1A021084-Skripsi-2025.pdf Download (2MB)
	PDF (Lampiran) LAMPIRAN-Rafif Imaduddin Yudono-H1A021084-Skripsi-2025.pdf Restricted to Repository staff only Download (2MB)

Abstract

Pertumbuhan pesat platform e-commerce telah menghasilkan ulasan produk yang sangat besar. Ulasan ini merupakan data yang berisi opini pelanggan, dan analisis secara manual tidak lagi efisien dikarenakan banyaknya ulasan. Penelitian ini bertujuan untuk mengimplementasikan dan menganalisis kinerja model deep learning untuk mengklasifikasikan sentimen ulasan produk secara otomatis ke dalam tiga kategori yaitu positif, negatif, dan netral. Secara khusus, penelitian ini membandingkan kinerja model Recurrent Neural Network (RNN) dengan arsitektur yang lebih kompleks, yaitu Long Short-Term Memory (LSTM), untuk menentukan model yang paling efektif. Metodologi penelitian dimulai dengan penggunaan dataset publik "171k product review with Sentiment Dataset" dari Kaggle. Dilakukan tahap pra-pemrosesan yang mencakup pembersihan data dari simbol, angka, dan stopwords, serta penanganan nilai yang kosong. Untuk mengatasi masalah ketidakseimbangan kelas pada data training, diterapkan teknik oversampling yakni SMOTE (Synthetic Minority Over-sampling Technique). Fitur teks kemudian diubah menjadi format numerik melalui proses tokenization dan padding sebelum dimasukkan ke dalam dua arsitektur model yang berbeda, satu menggunakan RNN dan satu lagi menggunakan LSTM. Hasil evaluasi menunjukkan bahwa model LSTM berhasil mencapai akurasi 85% sedangkan model RNN mencapai akurasi 84%. Kemudian, dari analisis metrik menunjukkan bahwa model LSTM memiliki kinerja yang lebih unggul, terutama dalam menangani kelas minoritas (netral) dengan nilai precision yang lebih tinggi dibandingkan model RNN. Selain itu, analisis kurva pembelajaran juga membuktikan bahwa model LSTM lebih tahan terhadap overfitting, yang menunjukkan kemampuan analisis yang lebih baik pada data baru. Sehingga hasil akhir menunjukan bahwa arsitektur LSTM lebih baik dan cocok untuk tugas analisis sentimen pada ulasan produk e-commerce.

Actions (login required)

View Item