Combining Bi-LSTM And Word2vec Embedding For Sentiment Analysis Models Of Application User Reviews

Abstract

Tujuan analisis sentimen aplikasi dan produk adalah untuk menentukan polaritas sentimen dalam ulasan aplikasi berdasarkan umpan balik pengguna. Model LSTM dan turunannya, seperti GRU, menjadi semakin populer di antara berbagai desain Jaringan Neural yang digunakan dalam analisis sentimen. Namun, model LSTM masih memiliki masalah terkait lambatnya konvergensi dan hanya dapat mengumpulkan data dalam satu arah, sehingga untuk meningkatkan kinerja, teknik pembelajaran mendalam lainnya seperti Bi-LSTM harus digunakan. Selain itu, kombinasi penyematan kata dapat dipertimbangkan untuk menghasilkan variasi representasi kata yang semakin besar. Penelitian ini menyajikan perbandingan model LSTM dan BiLSTM untuk mengetahui apakah kinerja kombinasi model BiLSTM dengan penerapan word embedding mampu memiliki kinerja yang lebih baik dibandingkan model LSTM satu arah. Hasil pengujian akurasi menunjukkan model BiLSTM dengan Word2Vec mendapatkan hasil pengujian akurasi tertinggi, dengan akurasi sebesar 87%. Hal ini membuktikan bahwa model BiLSTM dengan Word2Vec mampu memiliki performa yang lebih baik dibandingkan LSTM.