ANALISIS SENTIMEN ULASAN APLIKASI My ICON+ DI GOOGLE PLAY STORE DENGAN MODEL LSTM

Aplikasi My ICON+ menghadapi tantangan dalam menjaga kepuasan pelanggan, tercermin dari ulasan negatif terkait layanan internet yang kurang optimal dan indikasi penurunan rating aplikasi. Penelitian ini bertujuan untuk merancang dan membangun sistem analisis sentimen untuk mengklasifikasikan ulasan pengguna aplikasi My ICON+ di Google Play Store. Sistem ini menggunakan model Long Short-Term Memory (LSTM) yang diimplementasikan dengan bahasa pemrograman Python dan library PyTorch. Data ulasan pengguna akan dikumpulkan melalui teknik web scraping menggunakan library Scrapy dan Beautiful Soup. Data tersebut akan diproses melalui tahapan preprocessing yang meliputi cleaning untuk menghilangkan noise seperti URL, karakter khusus, dan spasi berlebih; case folding untuk menyeragamkan format teks; tokenisasi untuk memecah teks menjadi kata-kata individual; stop word removal untuk menghilangkan kata-kata umum yang tidak memiliki makna penting; dan stemming untuk mengubah kata-kata ke bentuk dasarnya.
Model LSTM akan dilatih untuk mengklasifikasikan sentimen ulasan menjadi tiga kategori, yaitu positif, negatif, dan netral. Arsitektur LSTM yang digunakan terdiri dari Embedding Layer untuk mengubah kata menjadi vektor, LSTM Layer untuk memproses urutan vektor dan menangkap konteks dari kedua arah, dan Fully Connected Layer untuk menghasilkan probabilitas sentimen. Parameter-parameter model, seperti jumlah lapisan LSTM, dimensi hidden state, dan dropout, akan dioptimalkan melalui proses eksperimen.
Hasil analisis sentimen dan evaluasi model akan disajikan dalam bentuk visualisasi grafik dan tabel untuk memudahkan interpretasi dan pemanfaatan informasi. Dengan sistem ini, diharapkan ICONNET dapat memperoleh pemahaman yang lebih baik tentang sentimen pelanggan dan menggunakan informasi tersebut untuk pengambilan keputusan strategis dalam upaya peningkatan kualitas layanan dan aplikasi My ICON+. Hasil pengujian menunjukkan bahwa model LSTM mencapai akurasi 82.65% dalam mengklasifikasikan sentimen ulasan.