Analisis Klasifikasi Sentimen Pengguna Aplikasi Pedulilindungi Berdasarkan Ulasan dengan Menggunakan Metode Long Short Term Memory

Ghifari Ahmad Lustiansyah, Didit Widiyanto, Bambang Tri Wahyono

Abstract


Aplikasi PeduliLindungi dibangun sebagai surveian kesehatan dimasa pandemik COVID-19. Aplikasi ini digunakan sebagai wadah untuk penanganan dan memudahkan penelusuran riwayat kontak dengan penderita Covid-19 dapat lebih mudah ditangani dan segera dilakukan. Setelah aplikasi ini dirilis di Google Play Store banyak ulasan yang dikomentari oleh pengguna dari aplikasi ini. Oleh karena itu, penelitian ini akan menganalisis sentimen dari ulasan yang diberikan oleh pengguna aplikasi PeduliLindungi dengan menggunakan metode Long Short Term Memory. Penggunaan metode ini diharapkan mendapatkan akurasi yang tinggi sehingga dengan metode tersebut dapat mengklasifikasi komentar negatif dan komentar positif sehingga mendapatkan evaluasi yang dapat meningkatkan pelayanan kepada masyarakat melalui aplikasi ini. Tahapan-tahapan yang dilakukan dalam penelitian ini menggunakan tahapan praproses data seperti case folding, filtering, normalisasi kata, stopword removal, stemming, dan tokenisasi. Setelah itu data dilakukan pelatihan dengan menggunakan model LSTM dan mendapatkan hasil akurasi sebesar 82,44%, presisi sebesar 78,66% serta recall sebesar 87,03%.

Keywords


PeduliLindungi, Long Short Term Memory, Analisis Sentimen, Google Play Store

References


KEMENTERIAN KOMUNIKASI DAN INFORMATIKA RI, “Keputusan Menteri KOMINFO. Diambil kembali dari JDIH Kementerian Komunikasi dan Informatika RI,” Nov. 2021. https://jdih.kominfo.go.id/ (accessed Nov. 10, 2021).

C. Eka Putri and dan Radja Erland Hamzah, “APLIKASI PEDULILINDUNGI MITIGASI BENCANA COVID-19 DI INDONESIA,” vol. 4, no. 1, p. 66, 2021.

F. A. Nugraha, Analisis Sentimen Terhadap Pembatasan Sosial Menggunakan Deep Learning, 1st ed. Bandung: Kreatif Industri Nusantara, 2020.

Y. Sahria, “Implementasi Teknik Web Scraping pada Jurnal SINTA,” pp. 297–306, 2020, [Online]. Available: http://sinta2.ristekdikti.go.id/journals/detail

D. Joko Haryanto, L. Muflikhah, and M. Ali Fauzi, “Analisis Sentimen Review Barang Berbahasa Indonesia Dengan Metode Support Vector Machine Dan Query Expansion,” 2018. [Online]. Available: http://j-ptiik.ub.ac.id

A. Faadilah, “ANALISIS SENTIMEN PADA ULASAN APLIKASI TOKOPEDIA DI GOOGLE PLAY STORE MENGGUNAKAN METODE LONG SHORT TERM MEMORY,” 2020.

O. : Rara and A. Puspita, “Analisis Sentimen Terhadap Review E-Commerce Pada Google Play Store Menggunakan Metode Naïve Bayes Classifier (NBC) dengan Seleksi Fitur Information Gain (IG),” 2021, [Online]. Available: http://repository.unimus.ac.id

I. Najiyah and I. Haryanti, “SENTIMEN ANALISIS COVID-19 DENGAN METODE PROBABILISTIC NEURAL NETWORK DAN TF-IDF,” JURNAL RESPONSIF, vol. 3, no. 1, pp. 100–111, 2021, [Online]. Available: http://ejurnal.ars.ac.id/index.php/jti

A. Erfina, S. Basryah, A. Saepulrohman, and D. Lestari, “MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM),” Seminar Nasional Informatika, vol. 2020, 2020.

J. Nurvania and K. Muslim Lhaksamana, “Analisis Sentimen Pada Ulasan di TripAdvisor Menggunakan Metode Long Short-Term Memory (LSTM),” vol. 8, p. 4121, Jun. 2021.

D. Junggu Manggala Pasaribu, Kusrini, and Sudarmawan, “PENINGKATAN AKURASI KLASIFIKASI SENTIMEN ULASAN MAKANAN AMAZON DENGAN BIDIRECTIONAL LSTM DAN BERT EMBEDDING,” Jurnal Teknologi Informasi dan Komunikasi, vol. 10, pp. 9–20, 2020.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.