Analisis Sentimen Ulasan Google Maps Menggunakan Long Short-Term Memory (LSTM) (Studi Kasus: Kafe di Surabaya)

Abstract

Abstrak – Pertumbuhan pesat kafe di Surabaya telah menjadikan ulasan Google Maps sebagai sumber informasi krusial bagi konsumen, namun volume ulasan yang besar menyulitkan untuk analisis secara manual. Penelitian ini bertujuan melakukan analisis sentimen pada ulasan kafe tersebut menggunakan metode Long Short-Term Memory (LSTM) yang diperkuat dengan mekanisme Attention. Data ulasan dikumpulkan melalui teknik scraping menggunakan SerpAPI (114.960 ulasan dari 218 kafe) dan dibagi secara sekuensial (Sequential split) untuk pelatihan dan pengujian. Ulasan diklasifikasikan ke dalam tiga kelas sentimen: positif, netral, dan negatif. Model dibangun dengan arsitektur spesifik: embedding layer berdimensi 128, LSTM (64 unit), attention layer, dropout (0,5), dan dense layer dengan tiga output neuron. Evaluasi kinerja model, yang diukur menggunakan akurasi, presisi, recall, dan F1-score, menunjukkan hasil terbaik dengan akurasi 92,45%, presisi 91,84%, recall 92,45%, dan F1-score 92,01%. Model terbukti cukup efektif dalam mendeteksi sentimen ekstrem (positif dan negatif), tetapi kesulitan dalam mengklasifikasikan kelas netral akibat ketidakseimbangan distribusi data. Hal ini menunjukkan bahwa penyeimbangan data atau penyederhanaan kelas sentimen diperlukan untuk meningkatkan performa model secara keseluruhan pada penelitian mendatang.

Kata Kunci – Analisis Sentimen, LSTM, Google Maps, Ulasan Kafe, Deep Learning.