Text

Aspect Based Sentiment Analysis Menggunakan Model Long Short Term Memory (LSTM) Untuk Ulasan Hotel Berbahasa Indonesia

---

ABSTRAK
Perkembangan teknologi informasi mengakibatkan pesatnya perkembangan dunia bisnis. Salah satu bidang bisnis yang terdampak adalah Online Travel Agent (OTA). Salah satu jasa pada OTA adalah pemesanan kamar hotel secara online. Meskipun jasa ini menguntungkan dari segi waktu pemesanan yang semakin fleksibel, jasa ini memberikan keterbatasan dalam hal representasi kualitas hotel yang ingin dipesan. Salah satu solusi yang biasa diberikan adalah adanya fitur ulasan pelanggan untuk hotel. Namun tidak semua pelanggan sabar dan sempat untuk membaca ulasan hotel oleh pelanggan lain dengan tujuan untuk mengetahui kualitas hotel yang dimaksud. Maka dari itu diperlukan sebuah model yang dapat membantu pengguna untuk mengetahui ringkasan dari ulasan yang ada untuk beberapa aspek yang sering dibahas. Penelitian ini mengusulkan sebuah model dengan dasar arsitektur model Long Short Term Memory (LSTM). Data yang menjadi masukan adalah beberapa ulasan hotel terbaru untuk hotel tersebut. Tahap pembuatan model terdiri dari tahap pengumpulan data, prapemrosesan data, tahap representasi kata dengan word2vec, dan encoding layer dengan LSTM. Kinerja model diukur dengna mengunakan micro-average F1 score. Kombinasi parameter yang diuji adalah ukuran fully connected layer I dan II bersamaan dengan fungsi aktivasinya. Ukuran yang diuji berkisar antara 700 hingga 1200 neuron untuk fully connected layer I, dan 50 hingga 700 neuron untuk fully connected layer II. Sedangkan fungsi aktivasi yang diuji adalah kombinasi antara sigmoid, tanh, dan ReLU. Penelitian ini menghasilkan nilai micro average F1 score 0,753 pada proses pengujian dan 0,756 pada proses pengujian secara real-time. Model terbaik yang terbentuk dari fully connected layer I berukuran 1200 neuron dengan fungsi aktivasi tanh dan fully connected layer II yang berukuran 600 neuron dengan fungsi aktivasi ReLU.
Kata Kunci : aspect based sentiment analysis, deep neural network, long short term memory, ulasan hotel berbahasa Indonesia
 
ABSTRACT
The growth of information technology has inflicted the rapid development of the business world. One of the business areas which is affected by the growth of information technology is online travel agents (OTA). OTA involved in most of the online travel-related services, such as ticket reservations and booking hotel rooms. Although booking hotel rooms online have some advantages in terms of information about the hotel's quality. One of the currently provided solutions is the review from other customers. This solution force the customer to read the review from others to measure the quality of the hotel, which is uncomfortable for some customer. Therefore, customers need a feature that can summarize the existing customer reviews for several aspects of the hotel's quality. This study proposes a model based on the architecture of long short term memory (LSTM). The modeling process consists of some stages, namely data collection, data preprocessing, word representation with word2vec, and encoding stage with LSTM. Model performance measured using micro average F1 measure. The combination parameter tested is the size of fully connected layers and its activation functions. The sizes of fully connected layers are ranged from 50 to 1200 neurons, whereas the combination of activation function tested is sigmoid, tanh, and relu. The model proposed by this study has micro average F1 score of 0,753 in the testing process and 0,756 in real-time testing. That model formed with combination from 1200 neurons with tanh as its activation function and 600 neurons with relu as its activation function.
Keyword : aspect based sentiment analysis, deep neural network, long short term memory, Indonesian language hotel review

---

Ketersediaan

864F20III

864 F 20iii

Perpustakaan FSM Undip (Referensi)

Tersedia

Informasi Detail

Judul Seri

ILMU KOMPUTER/INFORMATIKA

No. Panggil

864 F 20iii

Penerbit

: ., 2020

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Rahmat Jayanto

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar