PERBANDINGAN ALGORITMA LSTM DAN BILSTM DALAM ANALISIS SENTIMEN DATA ULASAN HOTEL
DOI:
https://doi.org/10.32897/sobat.2025.7.1.5285Keywords:
Analisis Sentimen, Ulasan Pelanggan Hotel, LSTM, BiLSTM, Deep LearningAbstract
Perkembangan teknologi digital dan meningkatnya penggunaan platform ulasan daring membuat pelanggan hotel semakin mudah dalam menyampaikan opini dan pengalaman mereka. Ulasan tersebut umumnya berisi teks yang menggambarkan emosi pengguna terhadap pelayanan hotel. Analisis sentimen merupakan proses untuk menentukan kecenderungan emosi dalam teks, apakah bersifat positif, negatif, atau netral. Penelitian ini melakukan analisis sentimen multiclass pada ulasan pelanggan hotel berbahasa Indonesia menggunakan model Long Short-Term Memory (LSTM) dan Bidirectional Long Short-Term Memory (BiLSTM). Kedua model dipilih karena mampu memahami data teks berurutan dan menangkap konteks kata dalam kalimat. Dataset yang digunakan terdiri dari 4.671 data ulasan yang telah melalui proses preprocessing dan balancing agar distribusi kelas seimbang. Model dilatih menggunakan embedding layer berukuran 128 dimensi dengan dropout 0,3, batch size 32, dan learning rate 0,001. Hasil evaluasi menunjukkan bahwa model BiLSTM menghasilkan akurasi tertinggi sebesar 98,77% dan loss sebesar 0,0746, sedangkan LSTM memperoleh akurasi 95,39% dengan loss 0,1627. Berdasarkan hasil tersebut, model BiLSTM memiliki kemampuan yang lebih baik dalam memahami konteks kalimat dan menghasilkan prediksi sentimen yang lebih akurat dibandingkan dengan LSTM.
References
Fitroh F, Hudaya F. Systematic Literature Review: Analisis Sentimen Berbasis Deep Learning. J Nas Teknol dan Sist Inf. 2023;9(2):132–40.
Lamut K, Rahman AY, Marisa F. Analysis Sentiment Pada Review Hotel Labuan Bajo Menggunakan Metode Bidirectional Long Short Term Memory ( BI-LSTM ). 2024;
Vidya Chandradev, I Made Agus Dwi Suarjaya, I Putu Agung Bayupati. Analisis Sentimen Review Hotel Menggunakan Metode Deep Learning BERT. J Buana Inform. 2023;14(02):107–16.
Ariansyah K, Prawiro J, Sanjaya R. Pengaruh Ulasan Online Terhadap Keputusan Wisatawan dalam Memilih Hotel. J Pariwisata dan Perhotelan. 2025;2(2):8.
Lin CH, Nuha U. Sentiment analysis of Indonesian datasets based on a hybrid deep-learning strategy. J Big Data. 2023;10(1).
Dana RD, Mulyawan, Bahtiar A, Ali I. MINHAJ PUSTAKA Dasar Dasar Natural Language Processing (NLP). 2024;78.
Pengembangan U, Sentimen A, Identitas A, Onsu R, Sengkey DF, Kambey FD, et al. Bilstm Word2Vec. 2024;10(1):46–55.
Widiantoro A, Dwiyoga Mustafid Sanjaya, Ridwan. Pengantar NLP Dan Topik Model. 2024. 64 p.
Purnamasari D, Bayu A, Desy A, Fanka WAP, Reza A, Safrila M, et al. Pengantar Metode Analisis Sentimen. Pengantar Metode Analisis Sentimen. 2024. 114 p.
Embedding W, Hairunnisa NR, Teknik Informatika J. Analisis Sentimen Review Produk Menggunakan Algoritma Bidirectional Long Short-Term Memory (Bi-LSTM) dan. 2022;
Sedana NMK, Wijaya INSW, Arthana IKR. Analisis Sentimen Berbahasa Inggris Dengan Metode Lstm Studi Kasus Berita Online Pariwisata Bali. J Teknol Inf dan Ilmu Komput. 2024;11(6):1325–34.
Alghifari DR, Edi M, Firmansyah L. Implementasi Bidirectional LSTM untuk Analisis Sentimen Terhadap Layanan Grab Indonesia Bidirectional LSTM Implementation for Sentiment Analysis Against Grab Indonesia Services. J Manaj Inform. 2022;12:89–99.
Farsiah L, Misbullah A, Husaini H. Analisis Sentimen Menggunakan Arsitektur Long Short-Term Memory (Lstm) Terhadap Fenomena Citayam Fashion Week. Cybersp J Pendidik Teknol Inf. 2022;6(2):86.
Kamarula MRF, Rochmawati N. Perbandingan CNN dan Bi-LSTM pada Analisis Sentimen dan Emosi Masyarakat Indonesia Di Media Sosial Twitter Selama Pandemik Covid-19 yang Menggunakan Metode Word2vec. J Informatics Comput Sci. 2022;04:219–28.
Gunawan AR, Alfa Aziza RF. Sentiment Analysis Using LSTM Algorithm Regarding Grab Application Services in Indonesia. J Appl Informatics Comput. 2025;9(2):322–32.
