Klasifikasi ulasan produk e-commerce menggunakan neural network

INDONESIA:

E-commerce telah menjadi bagian integral dalam cara masyarakat berbelanja, dengan meningkatnya ulasan pelanggan di berbagai platform. Ulasan-ulasan ini memberikan wawasan penting mengenai kualitas produk, layanan pelanggan, dan pengiriman. Namun, pemilahan ulasan secara manual memakan waktu dan rentan terhadap kesalahan. Penelitian ini bertujuan untuk mengklasifikasikan ulasan e-commerce ke dalam tiga kategori: produk, layanan pelanggan, dan pengiriman, menggunakan neural network. Dari sembilan skenario pengujian, model B3 dengan 50 node pada hidden layer pertama dan learning rate 0.1 memberikan performa terbaik dengan akurasi 65,85%, presisi 62,27%, recall 58,61%, dan F1-score 59,71%. Validasi menggunakan k-fold cross validation menunjukkan rata-rata akurasi 64,17% pada k=10. Analisis kata dengan TF-IDF mengidentifikasi kata dominan pada setiap kategori ulasan. Meskipun hasil menunjukkan potensi, model B3 belum mampu mengklasifikasikan ulasan dengan sempurna, disebabkan oleh dataset yang kurang banyak dan tidak seimbang, arsitektur model yang kurang kompleks, dan preprocessing TF-IDF yang kurang efektif. Temuan ini menekankan kebutuhan akan pendekatan lebih lanjut untuk meningkatkan akurasi klasifikasi ulasan e-commerce.

ENGLISH:

E-commerce has become an integral part of how people shop, with the rise of customer reviews on various platforms. These reviews provide important insights into product quality, customer service, and delivery. However, manually sorting reviews is time-consuming and prone to errors. This study aims to classify e-commerce reviews into three categories: product, customer service, and delivery, using a neural network. From nine test scenarios, model B3 with 50 nodes in the first hidden layer and a learning rate of 0.1 provided the best performance with an accuracy of 65.85%, precision of 62.27%, recall of 58.61%, and f1-score of 59.71%. Validation using k-fold cross validation shows an average accuracy of 64.17% at k=10. Word analysis with TF-IDF identified dominant words in each review category. Although the results show potential, the B3 model is not yet able to classify reviews perfectly, due to the large and unbalanced dataset, less complex model architecture, and less effective TF-IDF preprocessing. These findings emphasize the need for further approaches to improve the classification accuracy of e-commerce reviews.

ARABIC:

أصبحت التجارة الإلكترونية جزءا لا يتجزأ من الطريقة التي يتسوق بها الأشخاص، مع ارتفاع مراجعات العملاء عبر المنصات. توفر هذه المراجعات رؤى مهمة حول جودة المنتج وخدمة العملاء وتسليمه. ومع ذلك، فإن فرز المراجعات يدويا يستغرق وقتا طويلا وعرضة للأخطاء. هدف البحث إلى تصنيف مراجعات التجارة الإلكترونية إلى ثلاث فئات: المنتجات وخدمات العملاء وتسليمها، باستخدام شبكة عصبية. من بين سيناريوهات الاختبار التسعة، يوفر نموذج ب3 مع 50 عقدة على الطبقة المخفية الأولى ومعدل تعلم 0.1 أفضل أداء بدقة 65.85٪ ودقة 62.27٪ واستدعاء 58.61٪ ودرجة ف1 بنسبة 59.71٪. أظهر التحقق من الصحة باستخدام تقنية التحقق المتقاطع K-Fold متوسط دقة بنسبة 64.17٪ عند k = 10. حدد تحليل الكلمات مع TF-IDF الكلمة السائدة في كل فئة من فئات المراجعة. على الرغم من أن النتائج أظهرت إمكانات، إلا أن نموذج ب3 لم يتمكن من تصنيف المراجعات بشكل مثالي، بسبب مجموعة البيانات غير الكافية وغير المتوازنة، وبنية النموذج الأقل تعقيدا، والمعالجة المسبقة الأقل فعالية لـ TF-IDF. وأبرزت هذه النتائج الحاجة إلى مزيد من المدخل لتحسين دقة تصنيف مراجعات التجارة الإلكترونية.