Analisis Sentimen Masyarakat Terhadapt E-commerce pada Media Sosial Menggunakan Multilayer Perceptron dengan Word Embedding
| Main Author: | Kelly Isyanta, Kevin |
|---|---|
| Format: | Thesis NonPeerReviewed application/pdf |
| Bahasa: | eng |
| Terbitan: |
, 2020
|
| Subjects: | |
| Online Access: |
http://kc.umn.ac.id/14276/1/HALAMAN_AWAL.pdf http://kc.umn.ac.id/14276/2/DAFTAR_PUSTAKA.pdf http://kc.umn.ac.id/14276/3/BAB_I.pdf http://kc.umn.ac.id/14276/4/BAB_II.pdf http://kc.umn.ac.id/14276/5/BAB_III.pdf http://kc.umn.ac.id/14276/6/BAB_IV.pdf http://kc.umn.ac.id/14276/7/BAB_V.pdf http://kc.umn.ac.id/14276/8/LAMPIRAN.pdf http://kc.umn.ac.id/14276/ |
Daftar Isi:
- Perkembangan e-commerce di Indonesia merupakan salah satu yang terbesar di dunia. Banyak perusahaan e-commerce yang bermunculan sehingga penilaian, komentar atau opini masyarakat terhadap suatu nama e-commerce dapat dijadikan analisa terhadap pasar online. Tren saat ini adalah mencari opini dan sentimen dalam ulasan produk di media sosial seperti Twitter. Penentuan polaritas positif atau negatifnya suatu opini dapat dilakukan secara manual, tetapi seiring bertambahnya sumber opini menjadi semakin banyak waktu dan usaha yang dibutuhkan. Untuk mengatasi masalah tersebut, sistem analisis sentimen menggunakan Multilayer Perceptron (MLP Classifier) yang menggunakan word embedding sebagai feature extraction dibuat untuk membantu menentukan apakah suatu opini memiliki sentimen positif atau negatif. MLP Classifier dipilih karena merupakan bagian dari Artificial Neural Network (ANN) dan performanya lebih baik dibandingkan classifier lain. Dengan penggunaan FastText sebagai word embedding yang lebih modern, mampu mendeteksi kata di luar vocabulary serta tidak diperlukan lagi stemming dan stopwords removal agar tidak mengubah arti sesungguhnya dari input. Penelitian ini bertujuan untuk mengimplementasikan MLP Classifier dengan word embedding untuk klasifikasi sentimen pada ecommerce. Hasil implementasi yang memiliki performa terbaik adalah model dengan jumlah dataset yang seimbang dengan pembagian train dan test set 80:20 dan hyperparameter tuning menggunakan GridSearchCV dengan 5 stratified cross validation yang memperoleh hasil akurasi sebesar 89.24% dan macro-average precison, recall dan F1 score sebesar 89%.