Sentiment Analysis On Reviews Of Beach Tourism Objects On Google Maps Using Long-Short Term Memory Method

Niken Oktaviana, Heru Cahya Rustamaji, Herry Sofyan

Abstract


Tujuan: Dapat mengetahui tingkat performa algoritma Long-Short Term Memory dalam melakukan analisis sentimen ulasan pantai di Yogyakarta.
Perancangan/metode/pendekatan: Penelitian ini menggunakan algoritma Long-Short Term Memory (LSTM) dengan kombinasi word2vec untuk menangani data sequential. Data yang digunakan bersumber dari ulasan 

google maps dan diberi label secara manual. Proses yang dilakukan adalah mengumpulkan data, preprocessing, sentence conversion, word2vec, kemudian dilakukan klasifikasi. Terakhir, dilakukan pengujian menggunakan confusion matrix dan kurva ROC untuk mencari nilai akurasi, presisi, recall, dan nilai AUC. Pengujian menggunakan persentase data latih 80% dan data uji 20% dengan pendekatan K-fold cross validation.
Hasil: Hasil pengujian dengan confusion matrix menghasilkan nilai akurasi rata-rata 84%, presisi 76%, dan recall 0.73% untuk model sentimen. Sedangkan untuk model kategori diperoleh akurasi rata-rata sebesar 76%, presisi 75%, dan recall 0.74%. Hasil pengujian dengan kurva ROC diperoleh nilai rata-rata AUC 0.73 (fair classification) untuk model sentimen. Sedangkan untuk model kategori diperoleh nilai rata-rata AUC 0.83 (good classification).
Keaslian/ state of the art: Penelitian ini mengimplementasikan salah satu algoritma deep learning yaitu LSTM dengan metode pembobotan word embedding untuk menguji performa klasifikasi teks. Pengujian yang dilakukan adalah membandingkan performa implementasi LSTM untuk klasifikasi binary class dan multiclass.


Keywords


classification, sentiment analysis, deep learning, LSTM

Full Text:

PDF

References


Brightlocal.com, “Local Consumer Review Survey 2020,” Https://Www.Brightlocal.Com/Research/Local-Consumer-Review-Survey/, pp. 1–46, 2020.

M. T. Dewi, A. Herdiani, and D. S. Kusumo, “Multi-Aspect Sentiment Analysis Komentar Wisata TripAdvisor dengan Rule-Based Classifier ( Studi Kasus : Bandung Raya ),” e-Proceeding Eng., vol. 5, no. 1, pp. 1589–1596, 2018.

D. Koesumaningrum, “Analisis Sentimen Ulasan TripAdvisor pada Tempat Wisata Menggunakan Ontology Supported Polaruty Mining (OSPM)(Studi Kasis Bandung),” 2018.

D. Li and J. Qian, “Text sentiment analysis based on long short-term memory,” 2016 1st IEEE Int. Conf. Comput. Commun. Internet, ICCCI 2016, pp. 471–475, 2016.

M. A. Nurrohmat and A. SN, “Sentiment Analysis of Novel Review Using Long Short-Term Memory Method,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 13, no. 3, p. 209, 2019.

W. Xing and D. Du, “Dropout Prediction in MOOCs : Using Deep Learning for Personalized Intervention,” J. Educ. Comput. Res., no. March, 2018.

E. Haddi, X. Liu, and Y. Shi, “The Role of Text Pre-processing in Sentiment Analysis,” Procedia Comput. Sci., no. 17, pp. 26–32, 2013.

A. H. Abdullah, “Word Embedding,” https://rpubs.com/, 2018. .

C. Olah, “Understanding LSTM Networks,” 2015.

M. Ryan, “PENGENALAN LSTM ( LONG SHORT TERM MEMORY ),” 2017.

Z. Wang and B. Song, “Research on hot news classification algorithm based on deep learning,” 2019 IEEE 3rd Inf. Technol. Networking, Electron. Autom. Control Conf., no. Itnec, pp. 2376–2380, 2019.

A. P. Chazhoor, “ROC Curve in Machine Learning,” 2019. [Online]. Available: https://towardsdatascience.com/roc-curve-in-machine-learning-fea29b14d133. [Accessed: 10-May-2020].

Suwarno and A. A. Abdillah, “Penerapan Algoritma Bayesian Regularization Backpropagation untuk Memprediksi Penyakit Diabetes,” 2016.


Refbacks

  • There are currently no refbacks.