Perbandingan Algoritma Long Short-Term Memory dan Multinomial Naïve Bayes dalam Mendeteksi Suatu Emosi pada Produk Review E-Commerce Tokopedia

Abstract

Perkembangan teknologi yang pesat telah membawa perubahan besar, terutama dalam sektor e-commerce. Sebelum membeli suatu produk di platform e-commerce, pembeli sering membaca review dari pelanggan lain. Dalam proses penulisan review, banyak pembeli tanpa sadar mengekspresikan emosi mereka, yang mencerminkan persepsi mereka terhadap produk yang di review. Penelitian ini bertujuan untuk mendeteksi emosi dalam review produk sebagai sumber data. Dua metode yang digunakan untuk deteksi emosi adalah Multinomial Naive Bayes (MNB) dan Long Short-Term Memory (LSTM). Dataset yang digunakan berasal dari penelitian sebelumnya. Teknik preprocessing diterapkan untuk membersihkan data serta mengekstrak fitur yang relevan. Kedua metode dilatih menggunakan dataset berlabel untuk mempelajari hubungan antara fitur dan label emosi. Model yang telah dilatih kemudian digunakan untuk mengklasifikasikan emosi pada dataset uji. Hasil deteksi emosi mencakup 2 skenario yaitu: 5 emosi: love, happy, anger, fear, sadness dan 2 emosi: positive(love, happy), negative(anger, fear, sadness). Evaluasi performa dilakukan menggunakan metrik accuracy, recall, dan precision, untuk menilai preforma kedua metode dalam mendeteksi emosi dari ulasan produk di e-commerce Tokopedia. Penelitian ini berkontribusi dalam pengembangan deteksi emosi pada ulasan produk dan memberikan masukan bagi pelaku bisnis serta penelitian mendatang.