TY  - THES
N1  - Dr. Agus Mulyanto, S.Si., M.Kom., ASEAN Eng
ID  - digilib72176
UR  - https://digilib.uin-suka.ac.id/id/eprint/72176/
A1  - Annida Rizki Luthfi Astuti, NIM.: 23206051021
Y1  - 2025/06/13/
N2  - Meningkatnya popularitas aplikasi pesan instan WhatsApp memerlukan adanya pemahaman lebih mendalam untuk pengembangan aplikasinya melalui ulasan pengguna. Ulasan yang tersedia di platform distribusi aplikasi seperti Playstore dan Appstore mengandung informasi bernilai namun bersifat tidak terstruktur, dikarenakan terdapat singkatan, ejaan tidak baku, serta penggunaan Bahasa informal yang menyulitkan proses analisis. Tantangan ini mendorong perlunya penerapan pendekatan teknologi berbasis Natural Language Processing (NLP), khususnya pada tahap representasi teks. Salah satu pendekatan penting dalam NLP adalah vektorisasi teks yang mengubah teks menjadi format numerik agar dapat diproses oleh algoritma machine learning. Namun, masih terbatasnya penelitian yang secara khsuus membandingkan efektivitas metode vektorisasi dalam klasifikasi kebutuhan pengguna menjadikan isu ini relevan untuk dikaji lebih lanjut. Penelitian ini bertujuan untuk membandingkan kinerja tiga metode vektorisasi teks, yaitu Word2Vec, GloVe, dan FastText dalam tugas klasifikasi kebutuhan pengguna berdasarkan ulasan aplikasi WhatsApp. Dataset yang digunakan diambil dari huggingface berupa hasil scraping dari ulasan di Playstore dan Appstore yang telah melalui proses labeling secara manual. Setelah tahap pre-processing, data diolah menggunakan teknik balancing SMOTE untuk mengatasi ketidakseimbangan kelas. Selanjutnya, dilakukan klasifikasi menggunakan algoritma Random Forest dengan evaluasi performa model melalui confusion matrix, akurasi, presisi, recall, dan f1-score. Hasil penelitian menunjukkan bahwa metode vektorisasi GloVe memberikan kinerja tertinggi dengan akurasi sebesar 95.05% di susul oleh Word2Vec 93.75% dan FastText 93.73%. Temuan ini mengindikasikan bahwa pemilihan metode representasi teks memiliki pengaruh signifikasi terhadap efektivitas klasifikasi kebutuhan pengguna. GloVe unggu dalam menangkap relasi semantic global antarkata, sementara Word2Vec dan FastText masing-masing menunjukkan kekuatan pada pemrosesan konteks lokal dan kata-kata tidak baku. Penelitian ini memberikan kontribusi dalam memahami gambaran terkait perbandingan model teks vektorisasi Word2Vec, GloVe, dan FastText, serta penggunaan algoritma klasifikasi Random Forest dan Teknik imbalancing data SMOTE dalam melakukan klasifikasi kebutuhan pengguna.
PB  - UIN SUNAN KALIJAGA YOGYAKARTA
KW  - Machine Learning
KW  -  Natural Language Processing (NLP)
KW  -  Text Vektorization
KW  -  Teknik Sampling
KW  -  Klasifikasi
KW  -  Evaluasi Kinerja
M1  - masters
TI  - PERBANDINGAN PENGARUH TEKS VEKTORISASI TERHADAP KINERJA KLASIFIKASI ULASAN PENGGUNA WHATSAPP DI PLAYSTORE DAN APPSTORE
AV  - restricted
EP  - 104
ER  -