Penerapan Model LSTM pada Analisis Sentimen Ulasan Pengguna Aplikasi Shopee Google Play Store
DOI:
https://doi.org/10.37859/jf.v15i2.9150
Abstract
Dalam beberapa tahun terakhir, pemasaran berbasis teknologi telah mengalami lonjakan pertumbuhan yang signifikan. Hal ini terjadi seiring dengan kemajuan pesat dalam bidang teknologi digital,seperti kecerdasan buatan (AI), big data, machine learning, dan Internet of Things(IoT). Teknologi ini memungkinkan perusahaan untuk mengenali perilaku konsumen secara lebih akurat, mempersonalisasi pesan pemasaran, serta mengoptimalkan strategi penjualan secara real time. Kemunculan platform digitalseperti media sosial, e-commerceturut mempercepat pertumbuhan ini. Perusahaan tidak lagi hanya mengandalkan metode pemasaran tradisional melainkan dengan membangun marketplaceyang merupakan pasar digital. Untuk mengukur tingkat kepuasan pelanggan, meningkatkan kualitas layanan dan produk, mendeteksi masalah serta mendukung keputusan bisnis berbasis data diperlukan suatu pemahaman, opini maupun presepsi kepuasan pengguna terhadap layanan atau produk yang ditawarkan di platformtersebut. Analisis sentimen bertujuan untuk mengklasifikasisikap atau perasaan seseorang terhadap suatu hal berdasarkansuatu teks apakah bersifat positif, negatif atau netral. Algoritma LSTM (Long ShortTerm Memory) merupakan salah satu model untuk melakukan analisis sentimen. Penggunaanalgoritma LSTM dengan penggabungan metode SMOTE dan BERT pada penelitian ini untuk mengukur tingkat akurasi, presisi danrecalldari ulasan review pengguna aplikasi Shopee Google Playstore. Pada penelitian ini dibagi menjadi 3 batch yaitu batch 32, 64 dan 128 dengan nilai epochsebesar 5 dan mampu memberikan performa tingkat akurasi sebesar 99.56% dengan nilai precision sentiment negatif 1.00, sentimen positif 1.00 dan nilai recallsebesar 0.99 pada batch 128.
Downloads
References
S. Simatupang et al, “Facebook Marketplace Serta Pengaruhnya Terhadap Minat Beli”, Jurnal Ekbis Volume 22 No 1, pp 28-41, 2021.
R. Yustiani and R. Yunanto, “Peran Marketplace Sebagai Alternatif Bisnis Di Era Teknologi Informasi”, Jurmal Ilmiah Komputer dan Informatika (KOMPUTA) Vol 6(2), pp. 43–48, 2017.
E. Y. Nasution et al, “Perkembangan Transaksi Bisnis E-Commerce terhadap Pertumbuhan Ekonomi di Indonesia,” Jesya, vol. 3, no. 2, pp. 506–519, 2020.
I. D. Safitri, “Peran marketplace dalam meningkatkan ekonomi umat: studi pada Ali Dien Marketplace Surabaya” (Doctoral dissertation, UIN Sunan Ampel Surabaya), 2020.
J. Sintadi and Y. Yoestini, “Analisis Pengaruh Brand Image, Harga, Dan Review Produk Terhadap Keputusan Pembelian Smartphone Samsung Pada Mahasiswa Undip Semarang,” Diponegoro Journal of Management, vol. 8, no. 2, pp. 33–43, 2019.
R.M Arrasyid et al, “Analisis Sentimen Review Pembelian di Marketplace Shopee Menggunakan Pendekatan Natural Languange Processing”, Jurnal Tekno KOMPAK Volume 18 No. 2, pp.319-330, 2024.
G. S. Lasatira et al, “Analisis Sentimen Terhadap Pengaruh Minat Belanja Berdasarkan Komentar di Marketplace Menggunakan Metode Recurrent Neural Network (RNN)”. Jurnal Sistem Informasi Bisnis 02(2023) pp. 112 – 119, 2023.
K. Ivanedra and M. Mustikasari, “Implementasi Metode Recurrent Neural Network Pada Text Summarization Dengan Teknik Abstraktif”, Jurnal Teknologi Informasi Dan Ilmu Komputer, 6(4), pp. 377 – 382, 2019.
M. Musfiroh et al, “Analisis Sentimen Terhadap Ulasan Aplikasi Shopee di Google Play Store Menggunakan Metode TF-IDF dan Long Short-Term Memory (LSTM)”. Journal of Electrical Engineering and Computer (JEECOM) Vol. 6, No. 2 pp. 371 – 381, 2024.
N. Selle, et al, “Perbandingan Prediksi Penggunaan Listrik Dengan Menggunakan Metode Long Short Term Memory (LSTM) Dan Recurrent Neural Network (RNN)”. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Volume 9 No. 1, pp. 155 – 162, 2022.
A. Anggito and J. Setiawan, Metodologi Penelitian Kualitatif. Jawa Barat: CV Jejak, 2018.
W. Wartumi and Y.A. Wijaya, “Analisis Data Sentimen Ulasan Pengguna Aplikasi Shopee di Google Play Store dengan Klasifikasi Algoritma Naïve Bayes”. Jurnal Informatika dan Rekayasa Perangkat Lunak Vol. 6, No. 1, pp. 164-170, 2024.
D. Septiani and I. Isabela, “Analisis Term Frequency Inverse Document Frequency (TF-IDF) Dalam Temu Kembali Informasi Pada Dokumen Teks”. Jurnal Sistem dan Teknologi Informasi Indonesia Vol 1 Nomor 2, pp 81-88, 2022.
Liu, B. (2020). Sentiment analysis: Mining opinions, sentiments, and emotions. Cambridge University Press. https://doi.org/10.1017/9781108638510
Zhang, Y., & Wallace, B. C. (2017). A sensitivity analysis of (and practitioners’ guide to) convolutional neural networks for sentence classification. In Proceedings of the 8th International Joint Conference on Natural Language Processing (pp. 253–263).
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Rahayu Noveandini, Maria Sri Wulandari, Farhan Rasyad
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright Notice
An author who publishes in the Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) agrees to the following terms:
- Author retains the copyright and grants the journal the right of first publication of the work simultaneously licensed under the Creative Commons Attribution-ShareAlike 4.0 License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal
- Author is able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book) with the acknowledgement of its initial publication in this journal.
- Author is permitted and encouraged to post his/her work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of the published work (See The Effect of Open Access).
Read more about the Creative Commons Attribution-ShareAlike 4.0 Licence here: https://creativecommons.org/licenses/by-sa/4.0/.
_(1).png)
