Analisis Review Pengguna Terhadap Fitur Baru Whatsapp Menggunakan LSTM
Rainanda Darya Saputra(1*); Tasrif Hasanuddin(2); Ramdaniah Ramdaniah(3);
(1) Universitas Muslim Indonesia
(2) Universitas Muslim Indonesia
(3) Universitas Muslim Indonesia
(*) Corresponding Author
AbstractSebagai salah satu platform komunikasi paling banyak digunakan, WhatsApp terus menghadirkan berbagai fitur baru untuk meningkatkan kenyamanan penggunanya. Namun, setiap pembaruan fitur seringkali disertai dengan beragam tanggapan dari pengguna, yang banyak dituangkan melalui ulasan di Google Play Store. Penelitian ini bertujuan untuk mengklasifikasikan sentimen dari ulasan-ulasan tersebut menggunakan metode Long Short-Term Memory (LSTM), sebuah arsitektur Recurrent Neural Network yang unggul dalam menangani data teks yang bersifat sekuensial. Data diperoleh melalui teknik web scraping dan diproses melalui tahapan pra-pemrosesan seperti tokenisasi, pembersihan teks, dan embedding kata. Model LSTM dirancang menggunakan kombinasi layer embedding, bidirectional LSTM, dan dense untuk menghasilkan klasifikasi sentimen ke dalam tiga kategori: positif, negatif, dan netral. Berdasarkan hasil pelatihan, model menunjukkan peningkatan akurasi yang signifikan serta penurunan loss yang stabil, mencapai akurasi validasi di atas 85%. Hasil confusion matrix menunjukkan bahwa model mampu membedakan ketiga jenis sentimen dengan akurasi tinggi dan kesalahan klasifikasi yang minim. Uji coba pada input kalimat baru juga menunjukkan kemampuan model dalam mengenali sentimen secara kontekstual dengan baik. Dengan demikian, pendekatan LSTM terbukti efektif dalam memahami dan menganalisis opini pengguna terhadap fitur-fitur baru WhatsApp
KeywordsAnalisis Teks; LSTM; Sentimen; Ulasan Aplikasi; WhatsAppp
|
Full Text:PDF |
Article MetricsAbstract view: 101 timesPDF view: 47 times |
Digital Object Identifier https://doi.org/10.33096/linier.v2i4.3335
|
Cite |
References
A. M. Nur, “Penggunaan Aplikasi Whatsapp Dalam Media Komunikasi di Perguruan Tinggi Pada Masa Pandemi Covid-19 (Studi Kasus: Universitas Al-Wasliyah Labuhan Batu),” Communication & Social Media, vol. 1, no. 2, pp. 42–48, Nov. 2021, doi: 10.57251/csm.v1i2.318.
Tania Puspa Rahayu Sanjaya, Ahmad Fauzi, and Anis Fitri Nur Masruriyah, “Analisis sentimen ulasan pada e-commerce shopee menggunakan algoritma naive bayes dan support vector machine,” INFOTECH : Jurnal Informatika & Teknologi, vol. 4, no. 1, pp. 16–26, Jun. 2023, doi: 10.37373/infotech.v4i1.422.
M. Rosihan Anwar and N. Mufidah, “Istikhdām al-Dhakhā’ al-Iṣṭinā‘ī (AI) fī Ta‘līm Ṭullāb Ṣaff al-Takhaṣṣuṣ fī Baḥth al-Lughah al-‘Arabiyyah,” Al-Kafaah : Journal of Arabic Language and Linguistics Education (ALLE), pp. 1–17, Dec. 2024, doi: 10.52491/alle.vi.186.
A. Amelia, L. N. Hayati, and H. Darwis, “Analisis Sentimen Masyarakat Terhadap Sistem Pembayaran Mypertamina dengan Metode Random Forest, SVM, dan Naïve Bayes,” LINIER: Literatur Informatika dan Komputer, vol. 1, no. 1, pp. 28–44, Nov. 2024, doi: 10.33096/linier.v1i1.2269.
L. Kristiana and D. Miyanto, “Penambahan Parameter PM2.5 dalam Prediksi Kualitas Udara : Long Short Term Memory,” Multimedia Artificial Intelligent Networking Database (MIND), vol. 8, no. 2, pp. 188–202, 2023.
E. H. A. Prastyo, “Deteksi berita hoax dengan pendekatan Lexicon Based dan LSTM,” Universitas Islam Negeri Maulana Malik Ibrahim, 2024.
M. Fajar Abdillah and K. Kusnawi, “Comparative Analysis of Long Short-Term Memory Architecture for Text Classification,” ILKOM Jurnal Ilmiah, vol. 15, no. 3, pp. 455–464, Dec. 2023, doi: 10.33096/ilkom.v15i3.1906.455-464.
K. S. Witanto, N. A. Sanjaya ER, A. E. Karyawati, I. G. A. G. A. Kadyanan, I. K. G. Suhartana, and L. G. Astuti, “Implementasi LSTM Pada Analisis Sentimen Review Film Menggunakan Adam Dan RMSprop Optimizer,” JELIKU (Jurnal Elektronik Ilmu Komputer Udayana), vol. 10, no. 4, p. 351, Jun. 2022, doi: 10.24843/JLK.2022.v10.i04.p05.
A. Saputra, R. C. Sigitta Hariyono, and N. M. Saraswati, “Analisis Sentimen Pengguna Aplikasi MyPertamina Menggunakan Algoritma Bidirectional Long Short Term Memory,” Jurnal Eksplora Informatika, vol. 13, no. 2, pp. 156–163, Mar. 2024, doi: 10.30864/eksplora.v13i2.973.
Putri Angraini Aziz, S. B. Nur Ilahi, Sumiarni Moka, and A. M. Sajiah, “Penerapan Hadoop untuk Analisis Sentimen Berbasis Big Data pada Ulasan Aplikasi Transportasi Online,” SATESI: Jurnal Sains Teknologi dan Sistem Informasi, vol. 5, no. 1, pp. 51–60, Apr. 2025, doi: 10.54259/satesi.v5i1.4051.
A. F. Pangestu, B. Rahmat, and A. N. Sihananto, “Analisis Sentimen Pada Media Sosial X Terhadap Implementasi Kurikulum Merdeka Mengguanakan Metode FastText Dan Long Short-Term Memory (LSTM),” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 9, no. 4, pp. 2271–2280, Nov. 2024, doi: 10.29100/jipi.v9i4.5665.
D. R. Alghifari, M. Edi, and L. Firmansyah, “Implementasi Bidirectional LSTM untuk Analisis Sentimen Terhadap Layanan Grab Indonesia,” Jurnal Manajemen Informatika (JAMIKA), vol. 12, no. 2, pp. 89–99, Sep. 2022, doi: 10.34010/jamika.v12i2.7764.
M. Aasya Aldin Islamy and P. Pandu Adikara, “Analisis Sentimen IMDB Movie Reviews menggunakan Metode Long Short-Term Memory dan FastText,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 6, no. 9, pp. 4106–4115, 2022.
F. I. Putri, A. P. Wibawa, and L. H. Collante, “Refining the Performance of Indonesian-Javanese Bilingual Neural Machine Translation Using Adam Optimizer,” ILKOM Jurnal Ilmiah, vol. 16, no. 3, pp. 271–282, Dec. 2024, doi: 10.33096/ilkom.v16i3.2467.271-282.
I. Kurniasari, AchmadAchmad Arif Alfin2, and E. Widodo, “Implementasi Long Short-Term Memory (LSTM) dan Word Embedding Model pada Analisis Sentimen Layanan Uang Elektronik Ovo dan Link Aja,” INFORMASI (Jurnal Informatika dan Sistem Informasi), vol. 15, no. 2, pp. 237–246, Nov. 2023, doi: 10.37424/informasi.v15i2.273.
Z. Annisa and B. S. S. Ulama, “Analisis Sentimen Data Ulasan Pengguna Aplikasi ‘PeduliLindungi’ pada Google Play Store Menggunakan Metode Naïve Bayes Classifier Model Multinomial,” Jurnal Sains dan Seni ITS, vol. 11, no. 6, 2023, doi: 10.12962/j23373520.v11i6.94064.
N. Made et al., “Analisis Sentimen Berbahasa Inggris Dengan Metode Lstm Studi Kasus Berita Online Pariwisata Bali English Sentiment Analysis Using The Lstm Method Case Study Of Bali Tourism Online News,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 11, pp. 1325–1334, 2024, doi: 10.25126/jtiik.2024118792.
K. Kariyamin, Muh. I. Alyakin, and L. O. Alyandi, “Menganalisis Ulasan Mobile Legends: Analisis Kinerja Berdasarkan Opini Pengguna dengan Naive Bayes,” Buletin Sistem Informasi dan Teknologi Islam, vol. 6, no. 1, pp. 1–8, Feb. 2025, doi: 10.33096/busiti.v6i1.2475.
S. Wulandari and F. N. Hasan, “Analisis Sentimen Masyarakat Indonesia Terhadap Pengalaman Belanja Thrifting Pada Media Sosial Twitter Menggunakan Algoritma Naïve Bayes,” Jurnal Media Informatika Budidarma, vol. 8, no. 2, pp. 768–776, 2024.
Y. Ansori and K. F. H. Holle, “Perbandingan Metode Machine Learning dalam Analisis Sentimen Twitter,” Jurnal Sistem dan Teknologi Informasi (JustIN), vol. 10, no. 4, p. 429, Dec. 2022, doi: 10.26418/justin.v10i4.51784.
Refbacks
- There are currently no refbacks.
Copyright (c) 2026 Rainanda Darya Saputra, Tasrif Hasanuddin, Ramdaniah Ramdaniah
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Linier: Literatur Informatika dan Komputer indexed by
ISSN 3063-2218
Published by Prodi Teknik Informatika FIK Universitas Muslim Indonesia
Website : https://jurnal.fikom.umi.ac.id/index.php/LINIER/
Email : linier@umi.ac.id
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0