Text

Aspect-Based Sentiment Analysis Pada Ulasan Hotel Berbahasa Indonesia Menggunakan Model Long Short-Term Memory (LSTM) Dengan Attention Mechanism

---

Perkembangan pariwisata dan teknologi di Indonesia telah melahirkan banyak startup digital
yang menyediakan layanan pemesanan hotel secara daring. Layanan tersebut memungkinkan
pengguna memberi ulasan pada hotel dengan membahas berbagai aspek pada hotel beserta
sentimennya, yaitu positif, negatif, dan netral. Dengan banyaknya ulasan yang diberikan
pengguna, diperlukan model analisis yang dapat menyajikan aspek serta sentimen pada
ulasan pengguna secara menyeluruh dan komprehensif. Sentimen analisis berbasis aspek
telah dilakukan sebelumnya menggunakan model Long Short-Term Memory (LSTM) dan
memberikan hasil yang baik pada sequence data yang panjang, serta dapat menangkap
informasi konteks pada kalimat. Namun, model LSTM memproses data teks secara
menyeluruh dan menetapkan prioritas yang sama pada semua kata, sedangkan informasi yang
dibutuhkan untuk mendapatkan output aspek dan sentimennya hanyalah beberapa kata yang
memiliki informasi penting saja , yaitu kata - kata yang mengandung informasi aspek dan
sentimen. Karena model LSTM kurang memprioritaskan kata - kata yang mengandung aspek
dan sentimen, model LSTM terkadang gagal mengenali aspek dan sentimen yang terdapat
pada kalimat. Oleh karena itu, penelitian ini mengusulkan penggunaan model Long ShortTerm Memory (LSTM) dengan Attention Mechanism menggunakan word embedding
Word2vec untuk melakukan sentimen analisis berbasis aspek. Data yang digunakan adalah
5200 data ulasan pengguna pada layanan pemesanan hotel daring dengan label berupa 5 buah
aspek “makanan”, “kamar”, “pelayanan”, “lokasi”, dan “lain”, serta 3 sentimen berupa
positif, negatif, dan netral untuk masing – masing aspek. Performa model yang dihasilkan
diukur dengan Micro-averaged F1-measure. Proses pelatihan dilakukan dengan konfigurasi
pada nilai parameter pada layer LSTM, yaitu hidden units dengan nilai 32, 64, 128, dan 256,
dropout dengan nilai 0,2; 0,3; dan 0,5, dan recurrent dropout dengan nilai 0,2; 0,3; dan 0,5.
Model terbaik didapatkan dengan parameter hidden units sebesar 128, parameter dropout
sebesar 0,3, dan parameter recurrent dropout sebesar 0,3. Model ini menghasilkan nilai F1-
Score sebesar 0,7628 pada proses pengujian. Sedangkan analisis sentimen berbasis aspek
yang dilakukan secara real-time pada situs Traveloka menghasilkan nilai F1-Score sebesar
0,8071.
Kata kunci : aspect-based sentiment analysis, long short term memory, attention
mechanism, ulasan hotel berbahasa Indonesia

---

Ketersediaan

1036F2022

1036/F/2022

Perpustakaan FSM Undip

Tersedia

Informasi Detail

Judul Seri

-

No. Panggil

1036/F/2022

Penerbit

Semaranag : Departemen Ilmu Komputer / Informatika., 2022

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

1036 24060117120031 inv

Pernyataan Tanggungjawab

Linggar Maretva Cendani / Dr. Retno Kusumaningrum,S.Si,M.Kom/ Sukmawati Nur Endah,S.Si,K.Kom.

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar