Implementasi Bi-LSTM dengan Ekstraksi Fitur Word2Vec untuk Pengembangan Analisis Sentimen Aplikasi Identitas Kependudukan Digital

Romario Onsu; Daniel Febrian Sengkey; Feisy Diane Kambey

doi:10.54914/jtt.v10i1.1225

Penulis

Romario Onsu Universtias Sam Ratulangi
Daniel Febrian Sengkey Universtias Sam Ratulangi
Feisy Diane Kambey Universitas Sam Ratulangi

DOI:

https://doi.org/10.54914/jtt.v10i1.1225

Kata Kunci:

Analisis Sentimen, Bi-LSTM, IKD, Text Mining, Word2Vec

Abstrak

Pemerintah Indonesia berupaya meningkatkan layanan publik berbasis digital, termasuk aplikasi Identitas Kependudukan Digital (IKD) yang diluncurkan pada 2022 oleh Dirjen Kependudukan dan Pencatatan Sipil. Sejak diluncurkan, IKD mendapat berbagai tanggapan dari masyarakat. Data ulasan di Google Play Store menunjukkan penurunan rating dari Juni hingga Desember 2023. Analisis ulasan penting untuk memahami kepuasan pengguna dan mengidentifikasi masalah serta memandu perbaikan aplikasi. Penelitian ini bertujuan melakukan analisis sentimen ulasan pengguna IKD menggunakan metode Bidirectional Long Short-Term Memory (Bi-LSTM) dan Word2Vec. Bi-LSTM dan Word2Vec digunakan untuk mengembangkan analisis sentimen dari penelitian sebelumnya yang masih menggunakan metode Machine Learning. Penelitian ini diharapkan berkontribusi dalam pengembangan model analisis sentimen menggunakan Deep Learning untuk aplikasi IKD. Data ulasan dikumpulkan dari Google Play Store dengan teknik scraping pada periode Januari-Desember 2023 dan dibagi menjadi kategori positif dan negatif. Model Bi-LSTM dilatih dengan variasi Word2Vec CBOW dan Skip-Gram dengan dimensi 100, 200, dan 300. Hasil penelitian menunjukkan kombinasi Bi-LSTM dan Word2Vec CBOW dengan dimensi 200 dan proporsi data 80/20 menghasilkan akurasi tertinggi sebesar 96,06%, dengan precision 96,44%, recall 95,64%, dan f1 score 96,04%. Semua kombinasi Bi-LSTM dan Word2Vec menunjukkan hasil lebih tinggi dibandingkan algoritma Machine Learning lainnya.

Unduhan

Data unduhan belum tersedia.

Referensi

A. Yulanda and M. Fachri Adnan, “Transformasi Digital: Meningkatkan Efisiensi Pelayanan Publik Ditinjau dari Perspektif Administrasi Publik,” 2023. [Online]. Available: https://isora.tpublishing.org/index.php/isora

R. Hidayat, R. Nur Rahman, M. Reifin Perdana, P. Teknik Informatika, F. Sains dan Teknologi, and U. Muhammadiyah Kalimantan Timur, “Analisis Sentimen Aplikasi Identitas Kependudukan Digital (IKD) Menggunakan Metode Naïve Bayes,” Jurnal Sistem Informasi dan Ilmu Komputer, vol. 2, no. 1, pp. 129–140, 2024, doi: 10.59581/jusiik-widyakarya.v2i1.2320.

L. M. Azizah, D. B. Ajipratama, N. A. R. Putri, and C. Damarjati, “Analisa Sentimen Masyarakat Terhadap Kebijakan Vaksinasi Covid-19 Di Indonesia Pada Twitter Menggunakan Algoritma LSTM La,” JURNAL IPTEKKOM Jurnal Ilmu Pengetahuan & Teknologi Informasi, vol. 24, no. 2, pp. 161–172, Dec. 2022, doi: 10.17933/iptekkom.24.2.2022.161-172.

R. Maulana, A. Voutama, and T. Ridwan, “Analisis Sentimen Ulasan Aplikasi MyPertamina pada Google Play Store menggunakan Algoritma NBC,” Jurnal Teknologi Terpadu, vol. 9, no. 1, 2023, doi: 10.54914/jtt.v9i1.609.

P. SV et al., “Twitter-Based Sentiment Analysis and Topic Modeling of Social Media Posts Using Natural Language Processing, to Understand People’s Perspectives Regarding COVID-19 Booster Vaccine Shots in India: Crucial to Expanding Vaccination Coverage,” Vaccines (Basel), vol. 10, no. 11, Nov. 2022, doi: 10.3390/vaccines10111929.

A. Komarudin and A. M. Hilda, “Analisis Sentimen Ulasan Aplikasi Identitas Kependudukan Digital Pada Play Store Menggunakan Metode Naïve Bayes,” Computer Science (CO-SCIENCE), vol. 4, no. 1, 2024, doi: 10.31294/coscience.v4i1.2955.

R. A. Lestari, A. Erfina, and W. Jatmiko, “Penerapan Algoritma Support Vector Machine pada Analisis Sentimen Terhadap Identitas Kependudukan Digital,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 10, no. 5, 2023, doi: 10.25126/jtiik.20231057264.

V. Umarani, A. Julian, and J. Deepa, “Sentiment Analysis using various Machine Learning and Deep Learning Techniques,” Journal of the Nigerian Society of Physical Sciences, vol. 3, no. 4, 2021, doi: 10.46481/jnsps.2021.308.

L. Zhang, S. Wang, and B. Liu, “Deep learning for sentiment analysis: A survey,” Wiley Interdiscip Rev Data Min Knowl Discov, vol. 8, no. 4, 2018, doi: 10.1002/widm.1253.

A. Rahman et al., “JEPIN (Jurnal Edukasi dan Penelitian Informatika) Analisis Perbandingan Algoritma LSTM dan Naive Bayes untuk Analisis Sentimen”.

M. Z. Rahman, Y. A. Sari, and N. Yudistira, “Analisis Sentimen Tweet COVID-19 menggunakan Word Embedding dan Metode Long Short-Term Memory (LSTM),” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 5, no. 11, pp. 5120–5127, 2021, [Online]. Available: http://j-ptiik.ub.ac.id

A. F. Hidayatullah, S. Cahyaningtyas, and A. M. Hakim, “Sentiment Analysis on Twitter using Neural Network: Indonesian Presidential Election 2019 Dataset,” IOP Conf Ser Mater Sci Eng, vol. 1077, no. 1, 2021, doi: 10.1088/1757-899x/1077/1/012001.

W. Widayat, “Analisis Sentimen Movie Review menggunakan Word2Vec dan metode LSTM Deep Learning,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 5, no. 3, p. 1018, Jul. 2021, doi: 10.30865/mib.v5i3.3111.

P. F. Muhammad, R. Kusumaningrum, and A. Wibowo, “Sentiment Analysis Using Word2vec and Long Short-Term Memory (LSTM) for Indonesian Hotel Reviews,” in Procedia Computer Science, Elsevier B.V., 2021, pp. 728–735. doi: 10.1016/j.procs.2021.01.061.

G. Xu, Y. Meng, X. Qiu, Z. Yu, and X. Wu, “Sentiment analysis of comment texts based on BiLSTM,” IEEE Access, vol. 7, 2019, doi: 10.1109/ACCESS.2019.2909919.

D. I. Af’idah, D. Dairoh, S. F. Handayani, R. W. Pratiwi, and S. I. Sari, “Sentimen Ulasan Destinasi Wisata Pulau Bali Menggunakan Bidirectional Long Short Term Memory,” MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 21, no. 3, pp. 607–618, Jul. 2022, doi: 10.30812/matrik.v21i3.1402.

J. Zhou, Y. Lu, H. N. Dai, H. Wang, and H. Xiao, “Sentiment analysis of Chinese microblog based on stacked bidirectional LSTM,” IEEE Access, vol. 7, 2019, doi: 10.1109/ACCESS.2019.2905048.

F. A. Nugraha, N. H. Harani, R. Habibi, and Rd. N. S. Fatonah, “Sentiment Analysis on Social Distancing and Physical Distancing on Twitter Social Media using Recurrent Neural Network (RNN) Algorithm,” Jurnal Online Informatika, vol. 5, no. 2, p. 195, Dec. 2020, doi: 10.15575/join.v5i2.632.

D. F. Sengkey, A. Jacobus, and F. J. Manoppo, “Effects of kernels and the proportion of training data on the accuracy of svm sentiment analysis in lecturer evaluation,” IAES International Journal of Artificial Intelligence, vol. 9, no. 4, 2020, doi: 10.11591/ijai.v9.i4.pp734-743.

D. Shrimal, L. Suganya, and P. Deshmukh, “* Kanak Pandit 2 Harshali Patil Regular paper Comparative Analysis of Deep Learning Models for Sentiment Analysis on IMDB Reviews,” 2024.

S. Mikhailov and A. Kashevnik, “Car tourist trajectory prediction based on bidirectional lstm neural network,” Electronics (Switzerland), vol. 10, no. 12, 2021, doi: 10.3390/electronics10121390.

O. Majdoubi, A. Benba, and A. Hammouch, “Comprehensive Machine Learning And Deep Learning Approaches For Parkinson’s Disease Classification And Severity Assessment,” Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Srodowiska, vol. 13, no. 4, 2023, doi: 10.35784/iapgos.5309.