Fiqih Fathor Rachim, - (2022) Klasifikasi Teks Ulasandengan Metode Convolutional Neural Network dan Gated Recurrent Unit. Skripsi thesis, UNIVERSITAS AIRLANGGA.

	Text (HALAMAN JUDUL) 081711233003-HALAMAN JUDUL.pdf Download (376kB)
	Text (BAB 1) 081711233003-BAB 1.pdf Download (41kB)
	Text (FULLTEXT) 081711233003.pdf Restricted to Registered users only Download (2MB) | Request a copy

Abstract

Ulasankonsumenmerupakanpendapatdaripembelikepadapenjualberdasarkankepuasanpelayananataukualitasbarang. Semakinbanyakulasankonsumenmenyebabkan proses menganalisasecara manual akanmenyulitkan. Oleh karenaitu, dibutuhkansistemanalisasentimensecaraotomatis. Setiapulasanakandikelompokkedalamkelassentimen yang dibagimenjadikelaspositif dan negatif. Penelitianinibertujuanuntukmengklasifikasiteksulasandenganmetode Convolutional Neural Network (CNN) dan Gated Recurrent Unit (GRU). Tahapanpenelitian pada penelitianiniantara lain pengumpulan data teksulasan Tokopedia, mengekstraksiinformasitersembunyiteksulasanmenggunakan CNN, melakukanpembelajaran pada teksulasanmenggunakan GRU. Sebanyak 1000 teksulasandibagimenjadi data latihsebesar 80% dan data uji sebesar 20%. Teks ulasandiubahmenjadimatriksmenggunakanalgoritma One Hot Encoding kemudiandiekstraksimenggunakan CNN. Proses CNN meliputiperhitungan convolution, perhitunganfungsiaktivasi Rectified Linear Unit (ReLU), dan tahap pooling. Hasil ekstraksi pada proses CNN dilanjutkan pada proses GRU. Proses GRU meliputimenginisialisasi parameter, umpanmaju GRU, perhitungan Cross-Entropy Error, umpanmundur GRU, dan memperbaruibobot dan bias. Bobot optimal diperolehketikanilai error pada pelatihankurangdari minimal error yang diharapkanatauiterasipelatihantelahmencapaimaksimumiterasi yang ditentukan. Bobot optimal digunakanuntuk uji validasiterhadap data uji. Implementasiklasifikasiteksulasandenganmetode hybrid Convolutional Neural Network (CNN) dan Gated Recurrent Unit (GRU) dibuat program denganbahasapemrograman python. Akurasi yang diperoleh pada uji validasisebesar 88.5%.

Actions (login required)

View Item