Analisis Perbandingan Algoritma LSTM dan BiLSTM untuk Analisis Sentimen Ulasan Pengguna Netflix di Playstore

Abstract

Penelitian ini bermula dari banyaknya ulasan pengguna aplikasi Netflix di Google Play Store yang sangat beragam, sehingga diperlukan sebuah sistem otomatis untuk memahami perasaan pengguna, apakah mereka merasa puas (positif) atau kecewa (negatif). Fokus utama penelitian ini adalah membandingkan dua teknologi kecerdasan buatan, yaitu algoritma LSTM dan BiLSTM, untuk melihat mana yang lebih akurat dalam mengelompokkan ulasan tersebut. Peneliti menggunakan 13.000 data ulasan terbaru yang diambil melalui teknik pengambilan data otomatis (scrapping). Sebelum diolah, teks ulasan tersebut melewati tahap pembersihan (preprocessing), seperti menghapus karakter aneh, mengubah bahasa gaul menjadi bahasa baku, dan membuang kata sambung yang tidak penting. Hal ini bertujuan agar sistem lebih fokus pada kata kunci inti seperti "gagal" atau "bagus". Hasil pengujian menunjukkan bahwa model LSTM jauh lebih unggul dengan tingkat ketepatan (akurasi) mencapai 88,52%, sedangkan model LSTM hanya mencapai 84,22% dan lebih memahami konteks utuh dari ulasan pengguna. Secara keseluruhan, ditemukan bahwa ulasan negatif lebih mendominasi yaitu sebanyak 8.784 ulasan dibandingkan ulasan positif yang hanya berjumlah 4.239 ulasan. Keluhan utama pengguna umumnya berkaitan dengan masalah teknis seperti kendala saat masuk akun (login), proses pembayaran yang sulit, dan aplikasi yang sering macet, meskipun mereka sangat menyukai keragaman isi film yang ditawarkan.