Peningkatan Akurasi Klasifikasi Sentimen Ulasan Makanan Amazon dengan Bidirectional LSTM dan Bert Embedding

David Junggu Manggala Pasaribu (Universitas Amikom, Yogyakarta)
Kusrini Kusrini (Universitas Amikom, Yogyakarta)
Sudarmawan Sudarmawan (Universitas Amikom, Yogyakarta)

Jurnal Inspiration
Vol 10, No 1 (2020): Jurnal Inspiration Volume 10 Issue 1

Sudah memasuki revolusi industri 4.0 dengan infrastuktur internet semakin memadai dan biaya lebih murah mengakibatkan banyak masyarakat menggunakan layanan pada internet. Sehingga organisasi bisnis terdisrupsi untuk merambah ke media online. Seperti Amazon perusahaan e-commerce meliputi Costumer to Costumer maupun Business to Business, salah satu produk yang dipasarkan adalah makanan. Untuk menaikkan pemasukannya maka perusahaan harus mengerti kebutuhan pembeli. Sehingga dilakukan analisis sentimen konsumen namun proses ini memerlukan waktu lama sehingga dibuat secara otomatis menggunakan metode kecerdasan buatan. Dalam hasil penelitian tentang analisis sentimen pada dataset Amazon Fine Food Review menggunakan metode deep learning Bidirectional Long Short-Term Memory dengan penghasil vektor kata Bidirectional Encoder Representations from Transformers mampu menghasilkan akurasi yang lebih baik daripada menggunakan smetode machine learning Logistic Regression dengan pembobotan kata Mutual Information dan Bag of Words serta model deep learning Convolutional Neural Network dan Long Short-Term Memory dengan penghasil vektor kata Word2Vec dan GloVe pada konfigurasi ukuran embedding dan jumlah dataset paling besar yaitu 300 dan 85.000 sebesar 93 %.