IMPLEMENTASI MODEL RECCURENT NEURAL NETWORK (RNN)

DALAM MELAKUKAN PREDIKSI HARGA KARTU PERDANA

INTERNET DENGAN MENGGUNAKAN ALGORITMA
LONG SHORT TERM MEMORY

SKRIPSI

Diajukan Untuk Memenuhi Persyaratan Meraih Gelar Sarjana Komputer

Pada Program Studi Teknik Informatika Fakultas Teknik dan Komputer
Universitas Harapan Medan

NAFILA HAYATI LUBIS

17350047

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN KOMPUTER
UNIVERSITAS HARAPAN MEDAN
MEDAN
2021
1.1 Latar Belakang
Kartu perdana merupakan sebuah produk yang sangat penting bagi para pengguna
telepon seluler (handphone) ataupun internet modem (Yusuf). Sedangkan menurut
Wisegeek (2007) kartu perdana adalah sebuah komponen chip memory yang
digunakan pada sebuah telepon seluler (handphone). Tentu saja saat ini hampir
seluruh masyarakat Indonesia menggunakan teknologi ini baik pada handphone,
modem ataupun tablet mereka dengan beragam jenis kartu perdana dan
kebutuhannya.Berkembangnya bisnis kartu perdana akhir-akhir ini menunjukan suatu
gejala, yaitu semakin banyak dan beragamnya kartu perdana yang ditawarkan oleh
perusahaan provider dengan bermacam merek, fitur dan fasilitas yang semakin
lengkap dan bonus yang diberikan. Hal tersebut menyebabkan konsumen merasa
kesulitan dalam memilih kartu perdana yang sesuai dengan kebutuhannya dan dengan
harga yang tepat.
Tentu saja sistem ini dapat membantu atau memberikan rekomendasi kartu
perdana yang sesuai dengan kebutuhan penggunanya dan dengan adanya sistem ini
dapat membantu peneliti untuk mengetahui apakah pemilihan kartu perdana provider
dapat didukung dengan implementasi model recurrent neural network (RNN).
Metode Recurrent Neural Network (RNN) dengan Long Short Term Memory
(LSTM) merupakan salah satu model deep learning yang dapat digunakan untuk
melakukan klasifikasi sentimen. Metode ini dapat memproses data secara sekuensial
seperti teks, suara, dan video. Araque (2017) juga melakukan penelitian denga
mengimplementasikan metode Long Short Term Memory (LSTM) untuk melakukan
analisis sentimen pada tweet berbahasa Spanyol. Peneliti mengimplementasikan dua
tipe fitur yang berbeda, word embedding dan sentiment lexicon values. Hasil yang
didapat mengindikasikan bahwa kombinasi dua fitur ini menambah performa analisis
sentimen. Hassan (2017) melakukan penelitian dengan mengimplementasikan metode
Long Short Term Memory (LSTM) untuk melakukan analisis sentimen pada situs
IMDB. Peneliti menggunakan metode Long Short Term Memory (LSTM) berbasis
word2vec. Penelitian tersebut menghasilkan hasil yang lebih akurat untuk melakukan
analisis sentimen.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah di jelaskan maka dapat dirumuskan masalah
dari pebelitian ini adalah bagaimana membuat prediksi harga kartu perdana provider
dengan menggunakan metode Recurrent Neural Network (RNN) dengan Long Short
Term Memory (LSTM).

1.3 Batasan Masalah

1. Data, jenis dan fitur kartu perdana diperoleh dari website masing-masing kartu
perdana GSM dan CDMA yang umum digunakan dan beredar di Indonesia.
2. Sistem hanya disimulasikan dan dicoba oleh beberapa orang atau responden.
3. Tidak dibandingkan dengan sistem lain.
1.4 Tujuan Penelitian
Mengetahui bagaimana efektifitas kegunaan metode Recurrent Neural Network
(RNN) dengan Long Short Term Memory (LSTM) dengan merekomendasikan kartu
perdana provider dengan prediksi harga sehingga dapat meninjau harga dan kualitas
yang baik.

1.5 Manfaat Penelitian

Dapat menegtahui informasi data harga agar memprediksikan kartu perdana provider
yang dijual, menambah wawasan untuk mengetahui bagaimana metode Recurrent
Neural Network (RNN) dengan Long Short Term Memory (LSTM)