Electronic Theses and Dissertation

Analisis sentimen terhadap ulasan produk di platform e-commerce seperti Tokopedia sangat penting untuk memahami persepsi pelanggan dan meningkatkan kualitas layanan. Pemrosesan bahasa alami menjadi kunci dalam mengelola data teks yang kompleks dan kontekstual. Penelitian ini bertujuan mengembangkan dan mengevaluasi model klasifikasi sentimen berbasis kombinasi arsitektur Bi-LSTM (Bidirectional Long Short-Term Memory) dan GRU (Gated Recurrent Unit) menggunakan dataset PRDECT-ID. Model dibangun dengan menggabungkan kemampuan Bi-LSTM dalam memahami konteks dua arah dan efisiensi GRU dalam pemrosesan data sekuensial. Data diproses melalui tahapan pengunduhan, pembersihan, tokenisasi, dan pelatihan menggunakan kombinasi optimizer ADAM dan SGD serta berbagai nilai Learning Rate. Evaluasi dilakukan menggunakan metrik Accuracy, Precision, Recall, dan F1-Score. Hasil menunjukkan bahwa ADAM dengan learning Rate 0.01 pada 100 epoch memberikan akurasi tertinggi sebesar 94.44%. Sementara itu, SGD dengan learning Rate 0.0001 pada 750 epoch juga menunjukkan performa sangat kompetitif dengan akurasi 93.43% dan F1-score 93.32%. ADAM unggul dalam presisi, dengan nilai tertinggi 95.17% pada 600 epoch, sedangkan SGD lebih stabil dalam akurasi pada epoch tinggi. Grafik loss menunjukkan ADAM lebih cepat konvergen, tetapi SGD cenderung lebih stabil dalam jangka panjang. optimizer ADAM lebih disarankan untuk memperoleh akurasi tinggi dalam waktu pelatihan yang lebih singkat, sementara SGD cocok untuk pelatihan jangka panjang. Kombinasi Bi-LSTM dan GRU efektif dalam memahami konteks dan efisien secara komputasi. Penelitian lanjutan dapat mengkaji arsitektur lain dan penggunaan embedding kompleks untuk meningkatkan generalisasi model.

Kata Kunci: Analisis Sentimen, PRDECT-ID, Bi-LSTM, GRU, Optimizer, Learning Rate

Sentiment analysis of product reviews on e-commerce platforms such as Tokopedia is crucial for understanding customer perceptions and improving service quality. Natural language processing (NLP) plays a central role in managing the complexity and contextual nature of textual data. This study aims to develop and evaluate a sentiment classification model based on a combination of Bidirectional Long Short-Term Memory (Bi-LSTM) and Gated Recurrent Unit (GRU) architectures using the PRDECT-ID dataset. The model leverages the Bi-LSTM’s ability to capture bidirectional contextual information and the GRU’s computational efficiency in sequential data processing. The data underwent a series of preprocessing steps, including acquisition, cleaning, tokenization, and training using a combination of ADAM and SGD optimizers with various Learning Rates. Evaluation was conducted using Accuracy, Precision, Recall, and F1-Score as performance metrics. The results indicate that ADAM, with a Learning Rate of 0.01 at 100 epochs, achieved the highest accuracy of 94.44%. Meanwhile, SGD with a Learning Rate of 0.0001 at 750 epochs also demonstrated highly competitive performance, achieving 93.43% accuracy and a 93.32% F1-Score. ADAM outperformed in precision, with the highest value of 95.17% at 600 epochs, whereas SGD exhibited greater stability in accuracy over extended training durations. Loss graph analysis showed that ADAM converged faster, while SGD tended to be more stable in the long run. ADAM is therefore recommended for obtaining high accuracy within shorter training periods, while SGD is better suited for long-term training scenarios. The combination of Bi-LSTM and GRU proved effective in capturing context and efficient in computation. Future research may explore alternative architectures and more complex embedding techniques to enhance model generalization. Keywords: Sentiment Analysis, PRDECT-ID, Bi-LSTM, GRU, Optimizer, Learning Rate.