Lyjanto, Evelyn (2021) Analisis Ulasan Food Lovers Menggunakan Metode Long Short-Term Memory. Skripsi thesis, Universitas Tarumanagara.
Text
535170059_Evelyn Lyjanto_01 Cover.pdf Download (249kB) |
|
Text
535170059_Evelyn Lyjanto_02 Lembar Pengesahan.pdf Download (262kB) |
|
Text
535170059_Evelyn Lyjanto_03 Lembar Pernyataan.pdf Download (150kB) |
|
Text
535170059_Evelyn Lyjanto_04 Abstrak.pdf Download (238kB) |
|
Text
535170059_Evelyn Lyjanto_05 Kata Pengantar.pdf Download (196kB) |
|
Text
535170059_Evelyn Lyjanto_06 Daftar Isi, Tabel, Gambar, Lampiran.pdf Download (271kB) |
|
Text
535170059_Evelyn Lyjanto_07 Bab 1.pdf Restricted to Registered users only Download (311kB) |
|
Text
535170059_Evelyn Lyjanto_08 Bab 2.pdf Restricted to Registered users only Download (588kB) |
|
Text
535170059_Evelyn Lyjanto_09 Bab 3.pdf Restricted to Registered users only Download (556kB) |
|
Text
535170059_Evelyn Lyjanto_10 Bab 4.pdf Restricted to Registered users only Download (350kB) |
|
Text
535170059_Evelyn Lyjanto_11 Bab 5.pdf Restricted to Registered users only Download (195kB) |
|
Text
535170059_Evelyn Lyjanto_12 Daftar Pustaka.pdf Download (152kB) |
|
Text
535170059_Evelyn Lyjanto_13 Lampiran.pdf Restricted to Registered users only Download (1MB) |
|
Text
535170059_Evelyn Lyjanto_14 Daftar Riwayat Hidup.pdf Restricted to Registered users only Download (162kB) |
Abstract
Makanan merupakan salah satu kebutuhan utama dari setiap manusia dan untuk mendapatkan makanan yang enak diperoleh dengan makan langsung di tempat atau memesan makanan dari sebuah restoran. Dalam menentukan restoran yang memiliki kualitas yang baik, biasanya orang akan mencari dan membaca ulasan milik restoran tersebut dari para pecinta makanan atau food lovers yang terdapat pada situs rekomendasi makanan seperti Zomato. Ulasan food lovers merupakan ulasan dari para pecinta makanan berupa tulisan yang berisi penilaian dan pandangan terhadap kualitas restoran seperti rasa, harga, pelayanan, suasana dan lainnya. Analisis ulasan food lovers dengan menggunakan metode Long Short-Term Memory merupakan sebuah aplikasi sistem analisis sentimen berbasis website yang dibuat untuk melakukan analisis sentimen secara otomatis terhadap ulasan yang diperoleh dari penyuka makanan sehingga menjadi lebih cepat karena tidak perlu membacanya satu per satu. Sistem ini menerima masukan berupa teks ulasan dan nama restoran yang akan diperoleh beberapa data ulasannya dan dianalisis sentimennya. Sistem akan melakukan analisis sentimen pada ulasan dan mengklasifikasikan ulasan tersebut ke dalam dua kelas sentimen yaitu kelas sentimen positif dan negatif, untuk masukan berupa nama restoran hasil yang ditampilkan adalah jumlah ulasan positif dan negatif serta kategori restoran tersebut sehingga pengguna dapat dengan cepat mengetahui kualitas restoran. Sistem analisis ulasan dibuat untuk membantu pengguna dalam mengetahui kualitas restoran dan makanan serta memberikan informasi bagi pemilik restoran mengenai kecenderungan opini terhadap restorannya dari jumlah ulasan positif dan negatif. Metode yang digunakan pada sistem analisis ulasan yang dibuat adalah metode Long Short-Term Memory yang merupakan salah satu jenis dari Recurrent Neural Network yang memiliki tambahan sel memori dan menggunakan word2vec sebagai metode representasi kata untuk mengubah teks ulasan menjadi angka-angka yang selanjutnya akan dimasukkan dalam model untuk diproses. Metode LSTM memproses data masukan secara berulang dengan proses yang sama pada setiap kata yang berurutan atau data sekuensial yaitu data berurut seperti ulasan yang cukup panjang yang kata katanya berurut dan memiliki hubungan satu sama lain. Hasil dari pengujian model analisis ulasan dengan metode Long Short-Term Memory terhadap 1400 data uji menghasilkan nilai akurasi sebesar 91%.
Item Type: | Thesis (Skripsi) |
---|---|
Uncontrolled Keywords: | Analisis Sentimen, Long Short-Term Memory, Recurrent Neural Network, Word2vec, Zomato |
Subjects: | Skripsi/Tugas Akhir Skripsi/Tugas Akhir > Fakultas Teknologi Informasi |
Divisions: | Fakultas Teknologi Informasi > Teknik Informatika |
Depositing User: | TDI Family perpus |
Date Deposited: | 05 May 2021 14:53 |
Last Modified: | 11 Aug 2021 05:03 |
URI: | http://repository.untar.ac.id/id/eprint/27948 |
Actions (login required)
View Item |