Klasifikasi sentimen pada ulasan aplikasi indrive menggunakan metode Long Short Term Memory

INDONESIA:

Perkembangan teknologi digital telah mendorong transformasi signifikan dalam sektor transportasi, salah satunya melalui hadirnya layanan transportasi online seperti Indrive. Seiring dengan bertambahnya jumlah pengguna, ulasan aplikasi Indrive di Google Play Store juga semakin meningkat, sehingga menjadi sumber informasi yang sangat berharga untuk mengevaluasi tingkat kepuasan pengguna. Berdasarkan hal tersebut, penelitian ini bertujuan untuk mengklasifikasikan sentimen pengguna terhadap aplikasi Indrive dengan menggunakan metode Long Short-Term Memory (LSTM). Dalam penelitian ini, sentimen dikategorikan ke dalam tiga kelas utama, yaitu positif, negatif, dan netral. Untuk memperoleh hasil yang optimal, eksperimen dilakukan dengan mengkombinasikan beberapa hyperparameter, meliputi jumlah neuron LSTM, dropout rate, dan learning rate. Hasil terbaik dicapai pada konfigurasi 128 neuron, dropout sebesar 0,2, dan learning rate 0,001, dengan performa model yang mencapai akurasi 89,3%, precision 80,7%, recall 80,4%, dan F1 score 80,5%. Pemilihan hyperparameter yang tepat menjadi salah satu aspek penting dalam mengoptimalkan kinerja sebuah model. Penambahan jumlah neuron hingga 128 dapat meningkatkan performa model karena memungkinkan model untuk memproses dan menyimpan lebih banyak informasi dari konteks kalimat. Sementara itu, penggunaan dropout rate yang kecil, seperti 0,2, memberikan hasil yang lebih optimal. Selain itu, learning rate sebesar 0,001 menghasilkan konvergensi yang stabil dan memaksimalkan kinerja model.

ENGLISH:

The development of digital technology has driven significant transformation in the transportation sector, one of which is through the presence of online transportation services such as Indrive. Along with the increasing number of users, Indrive application reviews on the Google Play Store are also increasing, making it a very valuable source of information for evaluating user satisfaction levels. Based on this, this study aims to classify user sentiment towards the Indrive application using the Long Short-Term Memory (LSTM) method. In this study, sentiments are categorized into three main classes, namely positive, negative, and neutral. To obtain optimal results, experiments were conducted by combining several hyperparameters, including the number of LSTM neurons, dropout rate, and learning rate. The best results were achieved in a configuration of 128 neurons, a dropout of 0.2, and a learning rate of 0.001, with model performance reaching 89.3% accuracy, 80.7% precision, 80.4% recall, and 80.5% F1 score. Choosing the right hyperparameters is one of the important aspects in optimizing the performance of a model. Increasing the number of neurons to 128 can improve model performance because it allows the model to process and store more information from the sentence context. Meanwhile, the use of a small dropout rate, such as 0.2, provides more optimal results. In addition, a learning rate of 0.001 results in stable convergence and maximizes model performance.

ARABIC:

لقد أدى تطور التكنولوجيا الرقمية إلى حدوث تحول كبير في قطاع النقل، ويتمثل أحد هذه التحولات في وجود خدمات النقل عبر الإنترنت مثل تطبيق Indrive. وإلى جانب تزايد عدد المستخدمين، تتزايد أيضاً مراجعات تطبيق Indrive على متجر Google Play، مما يجعله مصدراً قيماً للغاية للمعلومات لتقييم مستويات رضا المستخدمين. وبناءً على ذلك، تهدف هذه الدراسة إلى تصنيف مشاعر المستخدمين تجاه تطبيق إندرايف باستخدام طريقة الذاكرة طويلة المدى القصيرة الأجل (LSTM). في هذه الدراسة، يتم تصنيف المشاعر إلى ثلاث فئات رئيسية، وهي الإيجابية والسلبية والمحايدة. وللحصول على أفضل النتائج، أُجريت التجارب من خلال الجمع بين العديد من المعلمات الفائقة، بما في ذلك عدد الخلايا العصبية في الذاكرة طويلة المدى ومعدل التسرب ومعدل التعلم. تم تحقيق أفضل النتائج في تكوين مكون من 128 خلية عصبية، وتسرب 0.2، ومعدل تعلم 0.001، حيث بلغ أداء النموذج دقة 89.3% ودقة 80.7% ودقة 80.7% واسترجاع 80.4% ودرجة F1 80.5%. يعد اختيار المعلمات الفائقة الصحيحة أحد الجوانب المهمة في تحسين أداء النموذج. يمكن أن تؤدي زيادة عدد الخلايا العصبية إلى 128 خلية عصبية إلى تحسين أداء النموذج لأنه يسمح للنموذج بمعالجة وتخزين المزيد من المعلومات من سياق الجملة. وفي الوقت نفسه، يوفر استخدام معدل تسرب صغير، مثل 0.2، نتائج مثالية أكثر. بالإضافة إلى ذلك، يؤدي معدل التعلم 0.001 إلى تقارب مستقر ويزيد من أداء النموذج إلى أقصى حد.