PERBANDINGAN ALGORITMA LSTM DAN BILSTM DALAM ANALISIS SENTIMEN DATA ULASAN HOTEL

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.