Analisis Sentimen Ulasan Pengguna pada Aplikasi Gojek Menggunakan Metode Deep Learning Berbasis  Algoritma LSTM

Raphael Hasiando Sihotang; Suhirman

doi:10.30865/json.v7i3.9390

Authors

Raphael Hasiando Sihotang Universitas Teknologi Yogyakarta
Suhirman Universitas Teknologi Yogyakarta

DOI:

https://doi.org/10.30865/json.v7i3.9390

Keywords:

Analisis Sentimen, LSTM, Deep Learning, Gojek, Ulasan Pengguna

Abstract

Aplikasi layanan transportasi seperti Gojek sudah menjadi bagian dari kehidupan sehari-hari masyarakat. Seiring bertambahnya jumlah pengguna, makin banyak juga ulasan yang masuk terkait pengalaman mereka menggunakan aplikasi ini. Namun, sering ditemukan ketidaksesuaian antara skor bintang yang diberikan dengan isi ulasan, seperti pemberian skor tinggi yang disertai keluhan atau pengalaman buruk. Hal ini dapat menyulitkan pihak Gojek dalam mengidentifikasi kendala layanan atau sentimen pengguna apabila hanya mengandalkan skor bintang. Salah satu solusi untuk membantu pihak Gojek dalam mengidentifikasi kendala layanan secara otomatis adalah menerapkan analisis sentimen berbasis algoritma Long Short-Term Memory (LSTM) terhadap ulasan pengguna di Google Play Store. Penelitian ini bertujuan untuk menerapkan algoritma LSTM dalam melakukan klasifikasi sentimen ulasan pengguna ke dalam tiga kategori, yaitu positif, netral, dan negatif. Kontribusi penelitian ini terletak pada pengembangan model klasifikasi tiga kelas berbasis LSTM dengan pelabelan manual berbasis konteks, penerapan Random Oversampling untuk menangani kelas minoritas, serta preprocessing teks mendalam dan embedding FastText untuk meningkatkan performa model. Hasil pengujian menunjukkan model LSTM mencapai akurasi 88.15%, dengan F1 score positif 73%, netral 7%, dan negatif 94%. Model Bidirectional LSTM sebagai pembanding mencapai akurasi 90.32%, dengan F1 score positif 78%, netral 12%, dan negatif 95%. Kelas netral dapat diprediksi oleh kedua model, namun masih sulit diprediksi secara akurat.

References

Annatasya, D. Hanggoro, M. H. Hasmira, A. S. Putera, A. Adriyani, dan N. S. Kamal, “Perkembangan Teknologi Informasi Menciptakan Inovasi di Bidang Transportasi Online: Ojek Online,” Social Empirical, vol. 1, no. 2, hlm. 154–160, Des 2024, doi: 10.24036/scemp.v1i2.39.

J. Jumhadi dan A. S. Mulyani, “Perkembangan Industri Transportasi Ojek Online di Era 5.0 Dari Pt. Gojek Indonesia,” Jurnal Cakrawala Ilmiah, vol. 2, no. 6, hlm. 2393–2402, Feb 2023, doi: 10.53625/jcijurnalcakrawalailmiah.v2i6.4907.

V. Umarani, A. Julian, dan J. Deepa, “Sentiment Analysis using various Machine Learning and Deep Learning Techniques,” Journal of the Nigerian Society of Physical Sciences, vol. 3, no. 4, hlm. 386–395, Nov 2021, doi: 10.46481/jnsps.2021.308.

Y. Bengio, Y. Lecun, dan G. Hinton, “Deep learning for AI,” Commun. ACM, vol. 64, no. 7, hlm. 58–65, Jul 2021, doi: 10.1145/3448250.

S. J. Pipin dan H. Kurniawan, “Analisis Sentimen Kebijakan MBKM Berdasarkan Opini Masyarakat di Twitter Menggunakan LSTM,” Jurnal SIFO Mikroskil, vol. 23, no. 2, hlm. 197–208, Okt 2022, doi: 10.55601/jsm.v23i2.900.

D. R. Alghifari, M. Edi, dan L. Firmansyah, “Implementasi Bidirectional LSTM untuk Analisis Sentimen Terhadap Layanan Grab Indonesia,” Jurnal Manajemen Informatika (JAMIKA), vol. 12, no. 2, hlm. 89–99, Okt 2022, doi: 10.34010/jamika.v12i2.7764.

A. R. Isnain, H. Sulistiani, B. M. Hurohman, A. Nurkholis, dan S. Styawati, “Analisis Perbandingan Algoritma LSTM dan Naive Bayes untuk Analisis Sentimen,” Jurnal Edukasi dan Penelitian Informatika (JEPIN), vol. 8, no. 2, hlm. 299–303, Agu 2022, doi: 10.26418/jp.v8i2.54704.

M. Musfiroh, A. Tholib, dan Z. Arifin, “Analisis Sentimen Terhadap Ulasan Aplikasi Shopee di Google Play Store Menggunakan Metode TF-IDF dan Long Short-Term Memory (LSTM),” Journal of Electrical Engineering and Computer (JEECOM), vol. 6, no. 2, hlm. 371–381, Okt 2024, doi: 10.33650/jeecom.v6i2.8713.

I. G. B. A. Budaya, L. P. S. Pratiwi, dan D. P. Agustino, “Klasifikasi Sentimen untuk Analisis Kepuasan Pelayanan Puskesmas Berbasis Arsitektur LSTM,” Smart Comp: Jurnalnya Orang Pintar Komputer, vol. 12, no. 4, hlm. 941–948, Okt 2023, doi: 10.30591/smartcomp.v12i4.5361.

M. P. Purba dan Y. T. Wijaya, “Analisis Basic Emotion Masyarakat Pada Masa Pandemi COVID-19 di Media Sosial Twitter Dengan Metode LSTM-FastText,” Seminar Nasional Official Statistics, vol. 2022, no. 1, hlm. 643–654, Nov 2022, doi: 10.34123/semnasoffstat.v2022i1.1524.

M. N. P. Ma’ady, D. D. Rizaldy, R. F. Satria, dan P. Anaking, “SPARRING: Sistem Rekomendasi Peneliti Terintegrasi Google Scholar via SerpAPI dan Latent Dirichlet Allocation pada Konteks Perguruan Tinggi,” Jurnal Teknologi dan Manajemen Informatika, vol. 9, no. 2, hlm. 161–171, Des 2023, doi: 10.26905/jtmi.v9i2.11111.

A. Chusen, Moh. R. Advan, L. Chantika, M. A. S. N., dan F. Faadihilah, “Analisis Pengukuran Kepuasan Pengguna Aplikasi Gojek di Surabaya Menggunakan Metode End User Computing Satisfaction (EUCS),” Prosiding Seminar Nasional Teknologi dan Sistem Informasi, vol. 2, no. 1, hlm. 120–130, Sep 2022, doi: 10.33005/sitasi.v2i1.278.

I. Menarianti dkk., Konsep Dasar Machine Learning di Era Digital. Batam: Cendikia Mulia Mandiri, 2025.

E. Alshdaifat, D. Alshdaifat, A. Alsarhan, F. Hussein, dan S. M. F. S. El-Salhi, “The effect of preprocessing techniques, applied to numeric features, on classification algorithms’ performance,” Data (Basel)., vol. 6, no. 2, hlm. 1–23, Feb 2021, doi: 10.3390/data6020011.

D. Kurniawan, Pengenalan Machine Learning dengan Python. Jakarta: PT Elex Media Komputindo, 2023.

M. A. Nur dan N. Wardhani, “Optimasi Normalisasi Kata Pada Data Twitter Untuk Meningkatkan Akurasi Analisis Sentimen (Studi Kasus Respon Masyarakat Terhadap Layanan Teman Bus),” Jurnal Fokus Elektroda : Energi Listrik, Telekomunikasi, Komputer, Elektronika dan Kendali), vol. 7, no. 4, hlm. 237–243, Nov 2022.

Rianto, A. B. Mutiara, E. P. Wibowo, dan P. I. Santosa, “Improving the accuracy of text classification using stemming method, a case of non-formal Indonesian conversation,” J. Big Data, vol. 8, no. 1, hlm. 1–16, Des 2021, doi: 10.1186/s40537-021-00413-1.

E. Utami, A. D. Hartanto, S. Adi, R. B. S. Putra, dan S. Raharjo, “Formal and Non-Formal Indonesian Word Usage Frequency in Twitter Profile Using Non-Formal Affix Rule,” dalam 2019 1st International Conference on Cybernetics and Intelligent System, ICORIS 2019, IEEE, Agu 2019, hlm. 173–176. doi: 10.1109/ICORIS.2019.8874908.

Md. A. Talukder dkk., “A hybrid deep learning model for sentiment analysis of COVID-19 tweets with class balancing,” Sci. Rep., vol. 15, no. 1, hlm. 27788, 2025, doi: 10.1038/s41598-025-97778-7.

J. Sangeetha dan U. Kumaran, “A hybrid optimization algorithm using BiLSTM structure for sentiment analysis,” Measurement: Sensors, vol. 25, hlm. 100619, Feb 2023, doi: 10.1016/j.measen.2022.100619.

T. R. Mahesh dkk., “Transformative Breast Cancer Diagnosis using CNNs with Optimized ReduceLROnPlateau and Early Stopping Enhancements,” International Journal of Computational Intelligence Systems, vol. 17, no. 1, hlm. 14, 2024, doi: 10.1007/s44196-023-00397-1.

M. Fahmy Amin, “Confusion Matrix in Three-class Classification Problems: A Step-by-Step Tutorial,” Journal of Engineering Research, vol. 7, no. 1, 2023, doi: 10.21608/erjeng.2023.296718.

J. A. Wibowo, V. C. Mawardi, dan T. Sutrisno, “Visualisasi Word Cloud Hasil Analisis Sentimen Berbasis Fitur Layanan Aplikasi Gojek dengan Support Vector Machine,” Jurnal Serina Sains, Teknik dan Kedokteran, vol. 2, no. 1, hlm. 61–70, Mar 2024, doi: 10.24912/jsstk.v2i1.32058.