Sentiment Analysis of Student Satisfaction On Telk

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.
com
Jurnal Sistem Komputer dan Informatika (JoSYC)

ISSN 2714-8912 (media online), ISSN 2714-7150 (media cetak) Volume
3, No. 4, Agustus 2022, Halaman 181−190
https://ejurnal.seminar-id.com/index.php/josyc
DOI 10.47065/josyc.v3i4.2020
Analisis Sentimen Kepuasan Mahasiswa Telkom University

Layanan Pusat Bahasa (LaC) di Instagram Menggunakan RNN
metode
Muhammad Juldan Naufal, Donny Richasdy*, Muhammad Arif Bijaksana
Fakultas Informatika, S1 Teknik Informatika, Telkom University, Bandung, Indonesia
Surel:1mjuldan@student.telkomuniversity.ac.id ,2,*donnir@telkomuniversity.ac.id ,3arifbijaksana@telkomuniversity.ac.id
Dikirim:01/08/2022; Diterima:23/08/2022; Diterbitkan:30/08/2022
Abstrak−Media sosial telah menjadi media komunikasi antar individu dan aspek bisnis, termasuk proses pengambilan keputusan,
promosi merek, pemasaran merek, dan personal branding. Salah satunya adalah Instagram. Dengan menggunakan fitur komentar di
Instagram, pengguna dapat berkomunikasi dan memberikan pendapat terhadap suatu unggahan di akun Instagram. Analisis sentimen
dapat dilakukan untuk menganalisis komentar pada akun Instagram LaC (pusat bahasa) untuk mengukur sentimen kepuasan mahasiswa
terhadap layanan LaC (pusat bahasa) Telkom University. Penelitian ini bertujuan untuk menganalisis sentimen atau pendapat kepuasan
mahasiswa terhadap layanan Telkom University Language Center (LaC) di Instagram. Penulis juga melakukan klasifikasi berdasarkan
kategori sentimen positif, negatif, dan netral dengan menggunakan metode Recurrent Neural Network (RNN) dan pengukuran Confusion
Matrix. Dari hasil pengujian terhadap model yang dibangun mendapatkan nilai akurasi sebesar 79%.
Kata kunci:Analisis Sentimen; Universitas Telkom; Instagram; Jaringan Neural Berulang; Matriks Kebingungan
1. PERKENALAN
Media sosial telah menjadi media komunikasi antar individu dan beberapa aspek dalam bidang bisnis, antara lain proses
pengambilan keputusan, promosi merek, pemasaran merek, dan personal branding [1]. Banyak perusahaan dan organisasi
menggunakan media sosial untuk menjangkau massa. Salah satunya adalah Instagram. Platform media sosial ini didirikan pada
tahun 2010. Hingga saat ini, Instagram menjadi website keenam yang paling banyak dikunjungi. Instagram memiliki pengguna
terbanyak keempat dari semua aplikasi seluler, dan lebih dari satu miliar orang menggunakan aplikasi Instagram setiap
bulannya [2].
Analisis sentimen adalah bidang studi yang menganalisis opini, sentimen, evaluasi, penilaian sikap, dan emosi
masyarakat terhadap entitas, seperti produk, layanan, organisasi, individu, peristiwa, topik, dan atribut lainnya [3]. Hasil yang
signifikan dalam analisis sentimen adalah mengidentifikasi emosi yang diungkapkan dalam teks, dimana hasil ekspresi tersebut
menunjukkan opini positif atau negatif berdasarkan topik yang dimaksud. Masalah dengan analisis sentimen adalah jumlah data
yang perlu diuji untuk analisis manual. Tentu saja membutuhkan banyak waktu dan tenaga, apalagi jika opini tersebut berbentuk
komentar. Analisis manual mengharuskan analis untuk fokus pada setiap kalimat yang mereka baca sebelum mengambil
keputusan sentimen. Oleh karena itu harus dilakukan secara komputerisasi untuk mengurangi waktu yang diperlukan dalam
menganalisis dan menentukan opini positif atau negatif.
Recurrent Neural Network (RNN) adalah salah satu jenis arsitektur jaringan saraf tiruan yang prosesnya dipanggil
secara loop untuk memproses masukan, biasanya data berurutan. RNN termasuk dalam kategori deep learning karena
datanya diproses dalam banyak lapisan. RNN telah berkembang pesat dan merevolusi bidang-bidang seperti
pemrosesan bahasa alami (NLP), pengenalan suara, sintesis musik, pemrosesan data keuangan, analisis urutan DNA,
gambar, teks video, prediksi kata, terjemahan kata, pemrosesan gambar, pengenalan suara, dan sebagainya. [4].
Metode lain yang dibandingkan dengan penelitian ini adalah LSTM dua arah. BiDirectional LSTM merupakan salah satu
varian LSTM yang umum digunakan. Dua jenis input dimasukkan ke dalam LSTM dua arah, input maju, dan input mundur.
Keluaran dari lapisan-lapisan ini umumnya digabungkan menjadi satu. Model dapat mempelajari informasi masa lalu dan masa
depan untuk setiap urutan masukan dengan lapisan ini [5].
Beberapa penelitian terkait analisis sentimen telah dilakukan. Dalam penelitian ini [6], dikembangkan metode untuk
mengklasifikasikan analisis sentimen dan mengidentifikasi sentimen dari setiap kata opini yang terkandung dalam data respon
dan hashtag. Hasilnya, postingan foto atau gambar di Instagram mendapat komentar positif dari pengunjung dan dampaknya
meningkatkan pengunjung Gunung Rinjani. Dalam penelitian ini [7], analisis sentimen dilakukan terhadap review film. Data yang
digunakan merupakan hasil review film dimana rata-rata jumlah teks dalam review tersebut adalah 233 kata. Metode yang
digunakan adalah LSTM. Hasil dari penelitian ini adalah hasil akurasi mencapai 88,17%. Dalam penelitian ini [8], analisis sentimen
dilakukan pada salah satu portal berita di Indonesia. Metode yang digunakan adalah metode Long Short-Term Memory (LSTM).
Hasilnya menyatakan bahwa metode LSTM dapat menganalisis konteks berita dengan baik pada web portal berita.
Berdasarkan beberapa penelitian terkait, penelitian ini menggunakan metode RNN dengan model LSTM untuk
menganalisis kepuasan mahasiswa terhadap Layanan Language Center (LaC) Telkom University. Data yang digunakan dalam
salah satu pembeda dari beberapa penelitian terkait telah diuraikan. Kedua hal inilah yang membedakan penelitian ini dengan
penelitian sebelumnya.
Penulis mengambil objek penelitian pada akun Instagram Language Center (LaC) Telkom University. Sejak
tahun 2016, layanan pusat bahasa Telkom University mulai menggunakan Instagram untuk berinteraksi
Hak Cipta © 2022Muhammad Juldan Naufal, Halaman 181

Jurnal ini dilisensikan di bawah Lisensi Internasional Creative Commons Attribution 4.0
DOI 10.47065/josyc.v3i4.2020
pengikutnya, dengan jumlah pengikut yang terus bertambah setiap hari. Dalam mengklasifikasikan analisis sentimen,
penulis menggunakan algoritma Recurrent Neural Network (RNN) untuk mengetahui dan mengukur respon dalam
implementasi kepuasan mahasiswa terhadap pusat bahasa Telkom University dan juga sebagai perbandingan akurasi,
penulis menggunakan model dua arah LSTM. jasa. Dataset yang digunakan dalam tulisan ini diperoleh melalui data
crawling Instagram Language Center (LaC) Telkom University.
2. METODOLOGI PENELITIAN
Tahapan yang dilakukan dalam penelitian ini ditunjukkan pada Gambar 1. Tahap pertama adalah pengumpulan data dari
komentar Instagram. Tahap kedua adalah dataset yang sudah ada akan diberi label secara manual, tahap ketiga adalah
preprocessing, tahap keempat adalah proses pemodelan menggunakan LSTM, tahap keenam adalah proses klasifikasi RNN, dan
tahap keenam.
Gambar 1.Tahapan Penelitian
2.1 Studi Literatur

2.1.1 Penelitian Terkait
Alpna Patel dan Arvind Kumar Tiwari (2019), dalam jurnal berjudul “Analisis Sentimen dengan menggunakan Recurrent
Neural Network,” penelitian ini memberikan penjelasan rinci tentang pemilihan metode dan teknik klasifikasi sentimen
yang berbeda serta pembelajaran mendalam untuk analisis sentimen. Makalah ini diakhiri dengan berbagai model
pembelajaran mendalam untuk analisis sentimen. Model Recurrent Neural Network menghasilkan akurasi sebesar
87,42% pada dataset review film [9]. Studi lainnya, "Penambangan Opini pada Data Twitter Maskapai Penerbangan AS
Menggunakan Teknik Pembelajaran Mesin." Analisis sentimen dilakukan dengan berbagai metode, antara lain Lexicon,
Machine Learning, model Hybrid-Based, dan Deep Learning. Penelitian ini menunjukkan bahwa metode SVM
mengungguli metode klasifikasi lainnya dengan akurasi sebesar 83,31% [10]. Selanjutnya yang terakhir, pada penelitian
“Analisis Sentimen dalam Terang LSTM Recurrent Neural Networks” pada penelitian ini, peneliti melakukan berbagai
jenis arsitektur LSTM untuk analisis sentimen resensi film. Hasilnya menunjukkan bahwa LSTM RNN lebih efektif
dibandingkan deep neural network [11].
2.1.2 Kepuasan Mahasiswa terhadap Pelayanan Institusi
Kepuasan Mahasiswa terhadap Pelayanan Institusi Kepuasan pelanggan dalam hal ini mahasiswa merupakan ukuran seberapa baik suatu
produk dan jasa memenuhi atau melampaui harapan pelanggan. Kualitas pelayanan membandingkan pelayanan yang diharapkan
dengan pelayanan yang diterimanya [12].
Kepuasan siswa dipengaruhi oleh banyak faktor antara lain daya tanggap, pemberian bantuan layanan ketika siswa
membutuhkan respon cepat, dan stabilitas. Dalam hal ini, layanan beroperasi sesuai dengan nilai yang ditentukan. Kualitas
konten adalah kualitas setiap konten yang berkaitan dengan layanan dan sesuai dengan kebutuhan mahasiswa. Sikap staf
merupakan faktor penting dalam meningkatkan kepuasan siswa. Misalnya sopan santun menunjukkan rasa hormat dan fleksibel
dalam membalas dan menjelaskan komentar siswa pada akun Instagram Pusat Bahasa [13].
2.1.3 Analisis Sentimen

Analisis sentimen menganalisis opini, perasaan, penilaian, sikap, dan perasaan masyarakat terhadap entitas seperti
produk, layanan, organisasi, dan atribut lainnya. Pendapat terutama dapat dibagi menjadi tiga jenis pendapat
komparatif yang membandingkan beberapa perusahaan, dan pernyataan sugestif yang menyarankan satu atau lebih
entitas. Opini Reguler digunakan untuk mengidentifikasi opini positif atau negatif tentang suatu produk. Sebaliknya,
opini komparatif membantu menjelaskan hubungan antara satu atau lebih entitas, yang merupakan informasi yang
sangat kompetitif. [3].
Analisis sentimen atau penambangan opini telah diperkenalkan sebagai cara efektif untuk menemukan pengetahuan
berdasarkan ekspresi komentar, terutama dalam konteks web. Analisis sentimen atau opinion mining juga mengekstraksi opini,
sentimen pengguna, dan tuntutan dari teks subjektif dalam domain tertentu dan membedakan polanya [14].

DOI 10.47065/josyc.v3i4.2020
2.1.4 Jaringan Neural Berulang (RNN)

Recurrent Neural Network (RNN) adalah bagian dari jaringan saraf untuk memproses data secara terus menerus. Untuk menyimpan
informasi, RNN melakukan loop dalam arsitektur dan menyimpan informasi masa lalu.
RNN telah berkembang pesat dan merevolusi bidang-bidang seperti pemrosesan bahasa alami (NLP), pengenalan
suara, sintesis musik, pemrosesan data keuangan, analisis seri DNA, gambar, teks video, prediksi kata,
terjemahan kata, pemrosesan gambar, pengenalan suara, dan sebagainya. [4].
Gambar 2.arsitektur RNN

2.1.5 Dasar Memori Jangka Pendek
Jaringan saraf berulang (RNN) sangat cocok untuk melakukan tugas pemrosesan bahasa alami (NLP). Pengguna MajoritRNN
menggunakan Long Short Term Memory (LSTM) karena LSTM dinilai sangat baik dalam mengeksekusi dependensi jangka
panjang dibandingkan jenis RNN lainnya. SeppHochreiter dan Jürgen Schmidhuber pertama kali menerbitkan LSTM-nya pada
tahun 1997. Namun, LSTM telah menjadi salah satu model NLP yang paling populer dan banyak digunakan [15].
Gambar 3.Jaringan LSTM
2.2 Pengumpulan Data
Penelitian ini memerlukan data dari komentar di Instagram. Untuk memperoleh data berupa komentar Instagram, penulis
menggunakan metode web scrapping pada komentar Instagram kemudian data tersebut diubah ke dalam format .csv.
Studi kasus pada penelitian ini menggunakan data hasil scrapping komentar pada Instagram Language Center
(LaC) Telkom University. Data yang diperoleh dari hasil proses scrapping komentar Instagram dibagi menjadi dua
bagian. Bagian pertama dari dataset digunakan sebagai train dataset atau data pelatihan untuk pembuatan model
analisis sentimen. Bagian kedua adalah test dataset atau data uji. Bagian kedua dari kumpulan data ini akan digunakan
dalam analisis sentimen, klasifikasi, dan evaluasi.
2.3 Pemrosesan awal
Akibat penghapusan komentar Instagram, bagian pertama dari dataset tersebut masih berupa dataset unlabeled, yakni
dataset yang belum memiliki label positif dan negatif. Proses pelabelan pada sampel dataset ini dilakukan secara manual
sehingga menghasilkan dataset yang diberi label positif dan negatif. Pada proses selanjutnya, data akan diubah menjadi
struktur untuk proses analisis. Tahapan preprocessing yang dilakukan pada penelitian ini adalah casefolding, data
cleaning, stopwords removal, dan tokenization.
2.4 Pemodelan
Tahap keempat penelitian ini adalah pembuatan model. Pada tahap ini model LSTM akan digunakan. Model
dibuat untuk melakukan analisis sentimen. Hasil analisis sentimen berupa klasifikasi model. Mereka terbagi
menjadi dua, yakni positif dan negatif.

DOI 10.47065/josyc.v3i4.2020
2.5 Analisis Model
Model yang telah dibuat akan dianalisis untuk mengukur tingkat keakuratan pembuatan model. Akurasi
menjadi tolok ukur hasil analisis. Model juga dijalankan dengan konfigurasi 8 epoch, n learning rate, dan n
dropout untuk mencari nilai akurasi tertinggi dari model yang dibuat.
2.6 Akurasi Pengukuran
Pengukuran akurasi digunakan untuk mengevaluasi kinerja model yang telah dibangun. Pengukuran akurasi
menggunakan matriks konfusi untuk melihat hasil pengujian berupa 4 parameter yaitu akurasi, presisi, recall, dan
skor F1.
3. HASIL DAN PEMBAHASAN

Bagian ini menjelaskan hasil penelitian yang dilakukan.
3.1 Hasil Pengumpulan Data
Dalam pengumpulan data, penulis menggunakan teknik web scrapping Instagram. Dari hasil web scrapping terkumpul 1180
data, selanjutnya kumpulan dataset tersebut akan disimpan dalam format .csv.
Dataset akan dibagi menjadi dua bagian, yaitu train dataset dan test dataset. Proses sharing dataset diperlukan sistem
untuk melakukan pelatihan sehingga sistem dapat mengklasifikasikan kepuasan siswa terhadap layanan pusat bahasa (LaC).
Berikut tabel 1 merupakan pembagian dataset yang akan digunakan.
Tabel 1.Hasil Pengumpulan Data
Himpunan data Latih Kumpulan Data Uji Kumpulan Data
1180 Komentar Instagram 90% Dari Kumpulan Data 10% Dari Kumpulan Data
3.2Pemrosesan awal
Dataset akan diberi label pada preprocessing dan dilanjutkan ke tahapan lainnya seperti casefolding, data cleaning, stopwords
removal, dan tokenization. Pemrosesan awal diperlukan untuk menghapus komponen yang tidak diperlukan untuk analisis,
seperti tanda baca, sebutan, dan URL. Stopwords digunakan untuk menghilangkan kata-kata yang sering muncul dalam sebuah
teks. Kata-kata yang sering muncul dalam teks tidak berguna untuk mengambil informasi dan harus dihilangkan agar tidak
mengganggu proses analisis. Tokenizing berfungsi untuk mengubah kalimat dalam dataset menjadi bilangan bulat.
3.2.1 Pelabelan
Data mentah akan dibersihkan pada tahap pelabelan dengan menghapus kolom data yang tidak diperlukan untuk proses analisis.
Kemudian data tersebut akan diberi label secara manual yaitu 1 (positif) atau 0 (negatif). Contoh data yang digunakan dalam penelitian ini
dapat dilihat pada tabel 2. Tabel 3 merupakan data yang telah diberi label secara manual.
Meja 2.Data Mentah Komentar Instagram
hal Identitas pengguna Teks

17888356388606677 9426263406 Selamat kepada para pemenang!
17931300064706515 32000198064 Link tidak bisa di akses min
17924243285018148 2270728854 Alhamdulillah terima kasih kakak-kakak penyelenggara
17998184329148161 3221358011 Ga bisa diklik link youtube-nya...
17977968937338707 1578664091 @lac.telkomuniv baik, terima kasih infonya min
Tabel 3.Data Dengan Label
Teks Label
Selamat kepada para pemenang! 1
Link tidak bisa di akses min 0
Alhamdulillah terima kasih kakak-kakak penyelenggara 1
Ga bisa diklik link youtube-nya... 0
@lac.telkomuniv baik, terima kasih infonya min 1
3.2.2 Pelipatan Kasus
Pelipatan huruf berguna untuk menyeragamkan bentuk huruf sehingga kalimat dalam data hanya menjadi huruf kecil.
Perbedaan huruf dapat mengganggu proses selanjutnya. Oleh karena itu, diperlukan casefolding untuk mengubah teks pada
komentar Instagram menjadi huruf kecil [16]. Tabel 4 merupakan implementasi case lipat.
Tabel 4.Hasil Pelipatan Kasus
Teks Lipat Kasus

DOI 10.47065/josyc.v3i4.2020
Teks Lipat Kasus

Selamat kepada para pemenang! selamat kepada para pemenang!
Link tidak bisa di akses min link tidak bisa di akses min
alhamdulillah, terima kasih kakak-kakak
Alhamdulillah terima kasih kakak-kakak penyelenggara
penyelenggara
Ga bisa diklik link youtube-nya... ga bisa diklik link youtube-nya...
@lac.telkomuniv baik, terima kasih infonya min @lac.telkomuniv baik, terimakasih info nya min
3.2.3 Pembersihan Data
Pembersihan data menghilangkan semua tanda baca agar tidak mengganggu proses pelatihan [17]. Hasil pembersihan data
dapat dilihat pada tabel 5.
Tabel 5.Hasil Pembersihan Data
Teks Pembersihan Data
Selamat kepada para pemenang! selamat kepada para pemenang

Link tidak bisa di akses min link tidak bisa di akses min
alhamdulillah terima kasih kakak
Alhamdulillah, terima kasih kakak-kakak enyelenggara
penyelenggara
Ga bisa diklik link youtube-nya... ga bisa diklik link youtubenyalactelkomuniv
@lac.telkomuniv baik, terima kasih infonya min baik terimakasih info nya min
3.2.4 Penghapusan Stopwords
Stopword removal bertujuan untuk menghilangkan kata-kata yang sering muncul pada data dan tidak mempunyai arti penting pada data
[18]. Contoh implementasinya dapat dilihat pada tabel 6.
Tabel 6.Hasil Penghapusan Stopwords
Teks Penghapusan Stopwords

Selamat kepada para pemenang! selamat para pemenang
Link tidak bisa di akses min link tidak bisa di akses
Alhamdulillah terima kasih kakak-kakak penyelenggara alhamdulillah terimakasih kakak penyelenggara
Ga bisa diklik link youtube-nya... ga bisa diklik link
@lac.telkomuniv baik, terima kasih infonya min youtubelactelkomuniv baik terima kasih info
3.2.5 Tokenisasi
Tokenisasi bertujuan untuk memotong kata untuk memisahkan kata dari kata lain dalam sebuah kalimat. Kemudian kata tersebut
diberikan bilangan bulat yang sesuai dengan kata pada data [19]. Hasil implementasinya dapat dilihat pada tabel 7.
Tabel 7.Hasil Tokenisasi

Teknik Tokenisasi
['tidak bisa' 'klik' 'tautan' 'youtube']
Link youtubenya gak bisa di klik...
[24, 5, 978, 43, 451]
3.3 Hasil Pembuatan Model
Pada tahap ini dibuat model untuk analisis sentimen kepuasan mahasiswa terhadap layanan pusat bahasa (LaC). Model yang
digunakan adalah model LSTM. Model ini berfungsi untuk menganalisis teks dari dataset yang ada. Gambar 3 merupakan
ringkasan model dari model yang telah dibuat. Di bawah ini adalah algoritma untuk membuat model menggunakan model
LSTM.
Algoritma Pemodelan
model = Berurutan()
model.add(Embedding(1000, 256, input_length=X.shape[1]))
model.add(Dropout(0.4))
model.add(LSTM(256, return_sequences=True, dropout=0.4, recurrent_dropout=0.2))
model.add(LSTM(256, dropout=0.4, recurrent_dropout=0.2))
model.add(layers.Dense(2, kernel_initializer='uniform'))
model.add(layers.Activation('softmax'))
hard.optimizers.Adam(learning_rate=0,001) model.compile(loss='categorical_crossentropy',
optimizer='adam', metrics=['accuracy'])
model.ringkasan()

DOI 10.47065/josyc.v3i4.2020
Gambar 4.Ringkasan Model LSTM
Penulis melakukan 25 percobaan untuk pemodelan LSTM. Setiap eksperimen menguji akurasi model dengan
menyesuaikan beberapa parameter, seperti kecepatan pembelajaran dan dropout. Eksperimen dilakukan dengan
mengikuti langkah-langkah utama: pembuatan model LSTM, melakukan pelatihan model, dan mencari tingkat akurasi.
3.4 Analisis Model

Pada tahap ini akan dilakukan analisis kinerja terhadap model LSTM yang telah dibuat. Proses analisis
model dilakukan dengan menghitung nilai akurasi dengan eksperimen yang dilakukan penulis. Iterasi akan
selesai ketika model telah menjalani semua percobaan. Gambar 4 merupakan hasil analisis menggunakan
eksperimen dan model yang telah dibuat.
Gambar 5.Hasil Perhitungan Akurasi Model
3.5 Akurasi Pengukuran

Dalam pengujian sistem ini, penulis menggunakan konfigurasi hyperparameter dengan empat variasi learning rate
sebesar 0.001, 0.002, 0.003, 0.005, dan 0.007. Ukuran batch yang digunakan adalah 32, dan 5 jenis dropout yaitu 0.3, 0.4,
0.5, 0.6, dan 0.8 pada parameter akurasi, presisi, recall, dan f1-score dengan model LSTM untuk studi utama. Penulis
menggunakan model dua arah LSTM untuk membandingkan hasil akurasi. Pengujian dilakukan dengan konfigurasi yang
sama untuk kedua model. Gambar 5 menunjukkan perbandingan akurasi antara model LSTM dan dua arah.
Hasil Akurasi %
79%
80% 77%
74% 75% 75% 74%
% AKURASI
75% 73% 72% 72%

70%
70%
65%
0,001 0,002 0,003 0,005 0,007
TINGKAT BELAJAR
Model LSTM Model LSTM dua arah
Gambar 6.Model LSTM Akurasi vs Model LSTM Dua Arah

DOI 10.47065/josyc.v3i4.2020
Dari hasil grafik uji akurasi antara 'model LSTM' dan 'model LSTM dua arah'. Hasil akurasi 'model
LSTM' pada konfigurasi 0,001 mencapai 79%, kemudian 'model LSTM dua arah' mencapai 74%. , pada
konfigurasi 0,002 mencapai 75% untuk 'model LSTM' kemudian 'model LSTM dua arah' hanya mencapai
73%, pada konfigurasi 0,003 untuk 'model LSTM' mencapai 77%.Sebaliknya, model LSTM dua arah
mencapai 72% , pada konfigurasi 0,005, “model LSTM” mencapai 75% dan “model LSTM dua arah” hanya
mencapai 72%. Konfigurasi terakhir dengan learning rate 0,007 menjadi yang terendah untuk kedua model,
dengan akurasi 74% untuk model LSTM dan 70% untuk model LSTM dua arah.Dari hasil tersebut dapat
ditentukan bahwa kedua model yang memiliki akurasi terbaik adalah “model LSTM.” Berdasarkan hasil
perbandingan peneliti diperoleh skor tertinggi sebesar 79%, dengan pembelajaran konfigurasi rate sebesar
0,001 dan dropout sebesar 0,4.Selanjutnya pada Gambar 6 membandingkan presisi antara model LSTM
dengan model LSTM dua arah.
Hasil Presisi %
80%
78%
78% 77%
76%
76% 75% 75%
74%
73%
% PRESISI
74%
72% 72%
72%
70%
70%
68%
66%
0,001 0,002 0,003 0,005 0,007
TINGKAT BELAJAR
Gambar 7.Model LSTM Presisi vs Model LSTM Dua Arah

Nilai presisi terbaik yang diperoleh sebesar 78% pada learning rate 0,001 dengan “model LSTM”. Sebagai
perbandingan, nilai presisi terbaik pada “model LSTM dua arah” hanya memperoleh nilai sebesar 74% dengan learning
rate sebesar 0,001. Parameter presisi digunakan untuk memberikan informasi seberapa akurat model dalam
memprediksi sentimen positif atau negatif terhadap dataset Instagram layanan LaC (pusat bahasa) Telkom University.
Gambar 7 membandingkan penarikan kembali antara model LSTM dan model LSTM dua arah.
Hasil Penarikan %
80%
78%
78%
76% 76%
76% 75%
74% 74%
74% 73%
% MENGINGAT
72% 72%
72%
70%
70%
68%
66%
0,001 0,002 0,003 0,005 0,007
TINGKAT BELAJAR
Angka 8. Ingat model LSTM vs model LSTM dua arah

Dari hasil pengujian pada parameter recall diperoleh rata-rata nilai terbaik sebesar 78% pada learning rate 0,001
dengan model LSTM. Recall menggambarkan keberhasilan model dalam memprediksi data yang relevan dengan
sentimen layanan LaC (pusat bahasa) Telkom University.

DOI 10.47065/josyc.v3i4.2020
Hasil Skor F1 %
80% 78%
75% 76% 75%
74%
% SKOR F1
75% 73% 72% 72% 73%
70%
70%
65%
0,001 0,002 0,003 0,005 0,007
TINGKAT BELAJAR
Gambar 9. Model LSTM Skor F1 vs model LSTM Dua Arah

Dari hasil pengujian pada parameter F1-Score pada gambar 8 diperoleh nilai terbaik sebesar 78% pada learning
rate 0,001 untuk model LSTM dan 74% untuk model LSTM dua arah. Parameter F1-Score digunakan untuk
membandingkan nilai rata-rata presisi dan recall, kemudian berfungsi untuk menentukan keseimbangan optimal antara
nilai presisi dan recall.
Hasil uji confusion-matrix mendapatkan nilai akurasi tertinggi sebesar 79% pada konfigurasi learning rate
0,001 dan dropout 0,4 untuk “model LSTM”. Selanjutnya untuk rata-rata tertimbang pada parameter presisi dan
recall, f1-score masing-masing mendapat nilai sebesar 79%. Gambar 9 berikut adalah laporan klasifikasi dan
matriks konfusi.
Gambar 10.Laporan Klasifikasi dengan Matriks Kebingungan
Dengan hasil tersebut maka dapat disimpulkan bahwa learning rate sebesar 0,001 dan dropout sebesar 0,4 merupakan parameter terbaik yang
dapat digunakan dalam sistem analisis sentimen ini.
Variabel dukungan kelas 0 dan dukungan kelas 1 mewakili jumlah dataset uji yang diklasifikasikan sebagai
komentar Instagram LaC (Pusat Bahasa) yang mengandung unsur positif dan negatif. Pada sistem dengan
learning rate 0,001, jumlah dukungan kelas 0 dan kelas 1 adalah 118. Artinya sistem mengklasifikasikan 46
komentar Instagram di kelas 0 dan 72 komentar Instagram di kelas 1. Dataset pengujian diberi label “0 " dan
diprediksi benar negatif hingga 33 komentar Instagram. Dan false positif di sebanyak 13 komentar Instagram.
Artinya, kumpulan data pengujian berlabel "0" memprediksi dengan benar hingga 33 komentar (termasuk
komentar negatif Instagram) dan hanya 12 komentar yang diprediksi salah (Komentar negatif tetapi
memperkirakan komentar positif). Untuk kumpulan data pengujian berlabel "1", Hingga 60 komentar Instagram
diprediksi benar-benar positif, dan 13 komentar diprediksi salah.

DOI 10.47065/josyc.v3i4.2020
4. KESIMPULAN
Berdasarkan hasil pengujian dan analisis yang telah dilakukan. Sistem analisis sentimen dengan metode RNN dapat disimpulkan
dari hasil pengujian parameter akurasi. Sistem mendapatkan akurasi tertinggi sebesar 79% menggunakan model LSTM, dan
konfigurasi learning rate sebesar 0,001, serta dropout sebesar 0,4 dengan nilai. Nilai epoch sebesar 8, dan nilai batch sebesar 32.
Sebagai perbandingan, akurasi terendah yang diperoleh sistem adalah sebesar 61%, dengan konfigurasi learning rate sebesar
0,005, dropout sebesar 0,8 dengan nilai epoch sebesar 8, dan nilai batch sebesar 32. Sistem mendapatkan nilai rata-rata
berdasarkan pengujian parameter presisi. Rata-rata presisi tertinggi sebesar 78% dengan menggunakan learning rate 0.001,
dropout sebesar 0.4 dengan nilai epoch sebesar 8, dan nilai batch sebesar 32. Sebagai perbandingan, nilai rata-rata presisi
terendah yang diperoleh sistem sebesar 63% dengan menggunakan learning rate sebesar 0.002 dan 0.005, dropout 0.3 dan 0.8
dengan nilai epoch sebesar 8 dan nilai batch sebesar 32. Berdasarkan pengujian parameter recall, sistem mendapatkan nilai
rata-rata recall tertinggi sebesar 78%, dengan menggunakan learning rate sebesar 0.001, dropout 0.4 dengan nilai epoch 8 dan
nilai batch 32. Sebagai perbandingan, nilai rata-rata recall terendah yang diperoleh sistem adalah 63% dengan menggunakan
learning rate 0.002 dan 0.005, dropout 0.3 dan 0.8 dengan epoch nilai 8, dan nilai batch 32. Berdasarkan pengujian untuk
parameter F1-Score, sistem mendapatkan rata-rata nilai F1-Score tertinggi sebesar 78%, menggunakan learning rate sebesar
0.001, dropout sebesar 0.4 dengan nilai epoch sebesar 8, dan nilai batch sebesar 32. Sebagai perbandingan, rata-rata F1-Score
terendah yang diperoleh sistem adalah 61% dengan menggunakan learning rate sebesar 0,005, dropout sebesar 0,8 dengan nilai
epoch sebesar 8, dan nilai batch sebesar 32 .
REFERENSI
[1] C. Yang, “Penelitian dalam Konteks Instagram: Pendekatan dan Metode,”Jurnal Penelitian Ilmu Sosial, TIDAK.
71, hlm. 15–21, Februari 2021, doi: 10.32861/jssr.71.15.21.
[2] McLachlan Stacey, “35 Statistik Instagram yang Penting bagi Pemasar di tahun 2022,”Hootsuite, 18 Januari 2022.
https://blog.hootsuite.com/instagram-statistics/ (diakses 28 Juli 2022).
[3] S. Shayaadkk., “Analisis sentimen data besar: Metode, penerapan, dan tantangan terbuka,”Akses IEEE, jilid. 6, hal.
37807–37827, Juni 2018, doi: 10.1109/ACCESS.2018.2851311.
[4] T. Katte-Bangayya dan M. Vinicius, “Recurrent Neural Network dan Berbagai Jenis Arsitekturnya Kutip makalah ini Makalah
terkait Survei tentang Pemrosesan Paralel dalam Lingkungan Kolaborasi CPU-GPU Menggunakan Ant Colony Opt …
Penelitian dan Inovasi Ilmiah ion Societ y RSIS International Tinjauan Kritis Karya Jaringan Syaraf Berulang untuk
Pembelajaran Urutan Jaringan Syaraf Berulang dan Berbagai Jenis Arsitekturnya Trupti Katte,” 2018. [Online]. Tersedia:
www.rsisinternational.org
[5] F. Long, K. Zhou, dan W. Ou, “Analisis Sentimen Teks Berdasarkan LSTM Dua Arah Dengan Perhatian Multi-Kepala,”
Akses IEEE, jilid. 7, hal. 141960–141969, 2019, doi: 10.1109/ACCESS.2019.2942614.
[6] Universitas Amikom Yogyakarta, Universitas Gadjah Mada. Departemen Teknik Elektro dan Teknologi Informasi,
Sekolah Tinggi Manajemen Informatika dan Komputer AMIKOM Purwokerto, Institut Insinyur Listrik dan
Elektronika. Indonesia Section, dan Institute of Electrical and Electronics Engineers, “ICITISEE 2018 : the 3rd 2018
International conferences on Information Technology, Information Systems and Electrical Engineering : prosiding :
13-14 November 2018, Yogyakarta, Indonesia”.
[7] W. Widayat, “Analisis Sentimen Movie Review menggunakan Word2Vec dan metode LSTM Deep Learning,” JURNAL
MEDIA INFORMATIKA BUDIDARMA, jilid. 5, tidak. 3, hal. 1018, Juli 2021, doi: 10.30865/mib.v5i3.3111.
[8] D. Tri Hermanto, A. Setyanto, and ET Luthfi, “Algoritma LSTM-CNN untuk Klasifikasi Sentimen dengan Word2vec pada Media
Online Algoritma LSTM-CNN untuk Klasifikasi Sentimen dengan Word2vec Pada Media Online”.
[9] A. Patel dan AK Tiwari, “Analisis Sentimen dengan menggunakan Recurrent Neural Network.” [On line]. Tersedia: https://
ssrn.com/abstract=3349572
[10] AI Saad, “Penambangan Opini pada Data Twitter Maskapai Penerbangan AS Menggunakan Teknik Pembelajaran
Mesin,” diKonferensi Teknik Komputer Internasional ke-16 (ICENCO) 2020, Desember 2020, hlm.59–63. doi:
10.1109/ICENCO49778.2020.9357390.
[11] S. Pal, S. Ghosh, dan A. Nag, “Analisis Sentimen Berdasarkan Jaringan Neural Berulang LSTM,”Jurnal Internasional
Emosi Sintetis, jilid. 9, tidak. 1, hal. 33–39, Januari 2018, doi: 10.4018/IJSE.2018010103.
[12] N. Khan, MU Akram, A. Shah, dan SA Khan, “Atribut penting kepuasan pelanggan di industri telekomunikasi: Sebuah studi berbasis
survei,” diKonferensi Internasional IEEE ke-4 tentang Teknologi Rekayasa dan Ilmu Pengetahuan Terapan (ICETAS) ke-4 tahun 2017,
November 2017, hlm.1–7. doi: 10.1109/ICETAS.2017.8277858.
[13] MM Rind, AA Shaikh, K. Kumar, S. Solangi, dan MA Chhajro, “Memahami faktor kepuasan pelanggan: Analisis empiris
layanan broadband Telecom,” diKonferensi Internasional ke-5 IEEE 2018 tentang Teknologi Rekayasa dan Ilmu
Pengetahuan Terapan (ICETAS), November 2018, hlm.1–4. doi: 10.1109/ICETAS.2018.8629261.
[14] F. Hemmatian dan MK Sohrabi, “Survei tentang teknik klasifikasi untuk penambangan opini dan analisis sentimen,” Tinjauan
Kecerdasan Buatan, jilid. 52, tidak. 3, hlm. 1495–1545, Oktober 2019, doi: 10.1007/s10462-017-9599-6.
[15] RC Staudemeyer, “Menerapkan jaringan saraf berulang memori jangka pendek untuk deteksi intrusi,”Jurnal
Komputer Afrika Selatan, jilid. 56, Juli 2015, doi: 10.18489/sacj.v56i1.248.
[16] PF Muhammad, R. Kusumaningrum, dan A. Wibowo, “Analisis Sentimen Menggunakan Word2vec Dan Long Short-Term
Memory (LSTM) Untuk Review Hotel di Indonesia,”Ilmu Komputer Procedia, jilid. 179, hlm. 728–735, Januari 2021, doi:
10.1016/J.PROCS.2021.01.061.
[17] D. Wang, J. Fan, H. Fu, dan B. Zhang, “Optimasi Manajemen Mutu Teknik Konstruksi Big Data Berbasis RNN-
LSTM,” 2018, doi: 10.1155/2018/9691868.
[18] M. Saiful Anwar, “Prosiding Konferensi Ilmiah Mahasiswa Unissula (Kimu) 2 Sistem Pencarian E-Journal
Menggunakan Metode Stopword Removal Dan Stemming Berbasis Android,” 2019.

DOI 10.47065/josyc.v3i4.2020
[19] T. Parlar, SA Özel, dan F. Song, “QER: metode pemilihan fitur baru untuk analisis sentimen,”Ilmu Komputasi dan Informasi
yang Berpusat pada Manusia, jilid. 8, tidak. 1 Desember 2018, doi: 10.1186/s13673-018-0135-8.


Sentiment Analysis of Student Satisfaction On Telk

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Sentiment Analysis of Student Satisfaction On Telk

Diunggah oleh

Hak Cipta:

Format Tersedia

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

Jurnal Sistem Komputer dan Informatika (JoSYC)

Analisis Sentimen Kepuasan Mahasiswa Telkom University

Hak Cipta © 2022Muhammad Juldan Naufal, Halaman 181

Gambar 1.Tahapan Penelitian

2.1 Studi Literatur

2.1.2 Kepuasan Mahasiswa terhadap Pelayanan Institusi

2.1.3 Analisis Sentimen

Hak Cipta © 2022Muhammad Juldan Naufal, Halaman 182

2.1.4 Jaringan Neural Berulang (RNN)

Gambar 2.arsitektur RNN

Gambar 3.Jaringan LSTM

2.2 Pengumpulan Data

2.3 Pemrosesan awal

Hak Cipta © 2022Muhammad Juldan Naufal, Halaman 183

2.5 Analisis Model

3. HASIL DAN PEMBAHASAN

Tabel 1.Hasil Pengumpulan Data

Himpunan data Latih Kumpulan Data Uji Kumpulan Data

Meja 2.Data Mentah Komentar Instagram

hal Identitas pengguna Teks

Tabel 3.Data Dengan Label

Tabel 4.Hasil Pelipatan Kasus

Teks Lipat Kasus

Hak Cipta © 2022Muhammad Juldan Naufal, Halaman 184

Teks Lipat Kasus

3.2.3 Pembersihan Data

Tabel 5.Hasil Pembersihan Data

Teks Pembersihan Data

Selamat kepada para pemenang! selamat kepada para pemenang

3.2.4 Penghapusan Stopwords

Tabel 6.Hasil Penghapusan Stopwords

Teks Penghapusan Stopwords

Tabel 7.Hasil Tokenisasi

3.3 Hasil Pembuatan Model

Hak Cipta © 2022Muhammad Juldan Naufal, Halaman 185

Gambar 4.Ringkasan Model LSTM

3.4 Analisis Model

Gambar 5.Hasil Perhitungan Akurasi Model

3.5 Akurasi Pengukuran

75% 73% 72% 72%

Model LSTM Model LSTM dua arah

Gambar 6.Model LSTM Akurasi vs Model LSTM Dua Arah

Model LSTM Model LSTM dua arah

Gambar 7.Model LSTM Presisi vs Model LSTM Dua Arah

Model LSTM Model LSTM dua arah

Angka 8. Ingat model LSTM vs model LSTM dua arah

Hak Cipta © 2022Muhammad Juldan Naufal, Halaman 187

Model LSTM Model LSTM dua arah

Gambar 9. Model LSTM Skor F1 vs model LSTM Dua Arah

Gambar 10.Laporan Klasifikasi dengan Matriks Kebingungan

Hak Cipta © 2022Muhammad Juldan Naufal, Halaman 188

Hak Cipta © 2022Muhammad Juldan Naufal, Halaman 189

Hak Cipta © 2022Muhammad Juldan Naufal, Halaman 190

Anda mungkin juga menyukai