Klasifikasi Sentimen Analisis Ulasan Aplikasi Alfagift Menggunakan Algoritma Long Short Term Memory
DOI:
https://doi.org/10.55123/storage.v4i2.5138Kata Kunci:
Alfagift, Klasifikasi, LSTM, AdadeltaAbstrak
Alfagift adalah aplikasi resmi dari Alfamart yang memungkinkan pengguna untuk berbelanja secara online. Berbagai ulasan dan penilaian telah diberikan oleh pengguna. Ulasan merupakan teks yang panjang dan tidak terstruktur. Hal ini dapat menyulitkan pengembang aplikasi Alfagift dalam mencari tau ruang lingkup mana yang harus diperbaiki. Oleh sebab itu, tujuan penelitian ini ialah untuk membuat sebuah model klasifikasi ulasan aplikasi Alfagift yang ada di Google Play Store. Ulasan tersebut akan dibagi menjadi lima kategori yaitu transaksi, sistem, promosi, pelayanan, dan keamanan. Algoritma Long Short Term Memory(LSTM) dengan optimasi Adadelta digunakan untuk mengembangkan model klasifikasi. Hasil dari model tersebut memiliki tingkat accuracy 95% mencerminkan seberapa sering model memberikan prediksi yang tepat secara keseluruhan. Precision 94% menunjukkan bahwa model cukup tepat dalam memberikan label. Recall 93% menunjukan model cukup sensitif dalam mendeteksi ulasan yang seharusnya masuk dalam kategori tersebut. F1-Score 94% menunjukkan model memiliki tingkat keseimbangan yang baik antara kemampuan menangkap ulasan yang benar dan kemampuan menghindari kesalahan prediksi.
Unduhan
Referensi
Al-Husna, G. S., Asmarajati, D., Ihsanuddin, I. A., & Mahmudati, R. (2024). Perbandingan Metode Naive Bayes Dan Support Vector Machine Untuk Analisis Sentimen Pada Ulasan Pengguna Aplikasi LinkedIn. Storage: Jurnal Ilmiah Teknik Dan Ilmu Komputer, 3(2), 139–144.
Anshari, R. AL, Alam, S., & Hafid, M. T. (2023). Komparasi Payment Digital Untuk Analisis Sentimen Berdasarkan Ulasan Di Google Play Store Menggunakan Metode Support Vector Machine. Storage: Jurnal Ilmiah Teknik Dan Ilmu Komputer, 2(3), 118–128.
Arthansa, R. M., Sagita, D. I., & Sari, A. P. (2024). Komparasi Analisis Sentimen Ulasan Film Avengers: EndGame Di IMDB Menggunakan Metode Naive Bayes Dan SVM. Storage: Jurnal Ilmiah Teknik Dan Ilmu Komputer, 3(3), 156–166.
Azizah, L., & Sukestiyarno, Y. (2022). Metode Genetic Algorithm-Long Short-Term Memory Pada Peramalan Harga Saham. UNNES Journal of Mathematics, 11(2), 153–160.
Darmawan, G., Alam, S., & Sulistyo, M. I. (2023). Analisis Sentimen Berdasarkan Ulasan Pengguna Aplikasi MyPertamina Pada Google Play Store Menggunakan Metode Naive Bayes. Storage: Jurnal Ilmiah Teknik Dan Ilmu Komputer, 2(3), 100–108.
Fremmuzar, P., & Baita, A. (2023). Uji Kernel SVM Dalam Analisis Sentimen Terhadap Layanan Telkomsel Di Media Sosial Twitter. Komputika : Jurnal Sistem Komputer, 12(2), 57–66.
Hananto, A. L., Assiroj, P., Priyatna, B., Nurhayati, Fauzi, A., Rahman, A. Y., & Hilabi, S. S. (2021). Analysis of Drug Data Mining with Clustering Technique Using K-Means Algorithm. Journal of Physics: Conference Series, 1908(1), 1–8.
Hilabi, S. S., Savina, & Khairunisa, S. (2025). Pemanfaatan Data Analitik Dalam Big Data: Studi Kasus Implementasi Di Pemerintahan. Jatisi: Teknik Informatika Dan Sistem Informasi, 12(1), 1–13.
Kholifatullah, B. A. H., & Prihanto, A. (2023). Penerapan Metode Long Short Term Memory Untuk Klasifikasi Pada Hate Speech. Journal of Informatics and Computer Science, 4(3), 292–297.
Maulana, R., Voutama, A., & Ridwan, T. (2023). Analisis Sentimen Ulasan Aplikasi MyPertamina Pada Google Play Store Menggunakan Algoritma NBC. Jurnal Teknologi Terpadu, 9(1), 42–48.
Mulianti, A., Chrisnanto, Y. H., & Ashaury, H. (2024). Optimalisasi Klasifikasi Support Vector Machine Dengan SMOTE: Studi Kasus Ulasan Pengguna Aplikasi Alfagift. Jurnal Pekommas, 9(2), 249–258.
Petmezas, G., Cheimariotis, G. A., Stefanopoulos, L., Rocha, B., Paiva, R. P., Katsaggelos, A. K., & Maglaveras, N. (2022). Automated Lung Sound Classification Using a Hybrid CNN-LSTM Network and Focal Loss Function. Sensors, 22(3), 1–13.
Priyatna, B., Trianto, T., Manurung, J. P., Heryana, N., & Solehudin, A. (2020). Sistem Preventive Maintenance Berbasis Webdengan Menggunakan Algoritma Priority Schedulingpada PT. Beta Pharmacon. Information Sistem Journal, 3(2), 41–53.
Putra, F., Tahiyat, H. F., Ihsan, R. M., Rahmaddeni, R., & Efrizoni, L. (2024). Penerapan Algoritma K-Nearest Neighbor Menggunakan Wrapper Sebagai Preprocessing Untuk Penentuan Keterangan Berat Badan Manusia. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(1), 273–281.
Putri, Kadunci, & Rosalina, E. (2024). Pengaruh Customer Experience Dan Persepsi Kegunaan Terhadap Minat Penggunaan Ulang Aplikasi E-Commerce Minimarket Alfagift. Jurnal Administrasi Profesional, 5(2), 122–133.
Rehatalanit, Y. L. R., Longdong, M. P. E., & Ramadhany, A. (2024). Implementasi Naive Bayes Dan Support Vector Machine Untuk Analisis Sentimen Ulasan Pada Google Play. Jurnal Sistem Informasi, 11(2), 223–236.
Rolangon, A., Weku, A., & Sandag, G. A. (2023). Perbandingan Algoritma LSTM Untuk Analisis Sentimen Pengguna Twitter Terhadap Layanan Rumah Sakit Saat Pandemi Covid-19. Jurnal TeIKa, 13(1), 31–40.
S, D. Z., Arry, B., & Shahab, M. L. (2022). Klasifikasi Respons Terhadap Vaksinasi Covid-19 Berdasarkan Tweets Menggunakan Attention-Based Long Short-TermMemory. Jurnal Sains Dan Seni ITS, 11(3), 96–100.
Sujjada, A., Sembiring, F., & Febriansyah. (2024). Prediksi Harga Bitcoin Menggunakan Algoritma Long ShortTerm Memory. Jurnal Inovtek Polbeng Seri Informatika, 9(1), 450–459.
Tukino, Hananto, A., Nanda, R. A., Novalia, E., Sediyono, E., & Sanjaya, J. (2024). LSTM and Word Embedding: Classification and Prediction of Puskesmas Reviews Via Twitter. E3S Web of Conferences, 500, 1–10.
Zamsuri, A., Asril, E., Sadar, M., Walhidayat, Fajrizal, Syahtriatna, & Turnandes, Y. (2023). Analisis Sentimen Opini Terhadap Vaksin Covid-19 Pada Media Sosial Twitter Menggunakan Naive Bayes dan Decision Tree. Zonasi: Jurnal Sistem Informasi, 5(1), 100–110.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Juniardi, Tukino, Bayu Priyatna, Shofa Shofia Hilabi
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
