ANALISIS SENTIMEN TERHADAP APLIKASI E-LEARNING MENGGUNAKAN WORD2VEC DAN METODE LONG SHORT-TERM MEMORY (LSTM) (Studi Kasus: Ruangguru dan Zenius)

E-learning atau pembelajaran online didefinisikan sebagai aplikasi pembelajaran formal dan informal yang dilakukan hanya dengan menggunakan teknologi, sehingga siswa dan pengajar dapat melakukan proses belajar mengajar melalui media elektronik. Adanya review ulasan pada aplikasi Ruangguru dan Zenius dapat membantu perusahaan memahami opini pelanggan terhadap produk atau layanan. Penelitian ini bertujuan untuk mengetahui opini pelanggan terhadap produk atau layanan dari beberapa aplikasi diantaranya Ruangguru dan Zenius dengan melakukan analisis sentimen yang diambil dari ulasan (review) Website_Google_Play. Pemodelan yang digunakan ialah Long Short-Term Memory (LSTM) dengan ekstraksi fitur Word2vec. Dataset dikumpulkan dengan teknik scraping yang menggunakan bahasa pemrograman Python dan Google scraper. Hasil pengumpulan data aplikasi Ruangguru sebanyak 147.468 dan Zenius sebanyak 22.744 opini terbagi dalam tiga kelas sentimen yaitu positif, negatif dan netral. Model evaluasi menggunakan classification report dengan mengahsilkan empat nilai metrics yaitu akurasi, recall, presisi dan f1-score. Hasil dari metrics dengan data imbalance pada aplikasi Ruangguru memiliki akurasi sebesar 89%, Presisi 88%, Recall 89%, f1-Score 83% sedangkan aplikasi Zenius mendapatkan akurasi sebesar 84%, Presisi 82%, Recall 84%, f1-Score 78% sedangkan pada data balance Ruangguru memiliki akurasi sebesar 46%, Presisi 57%, Recall 46%, F1-Score 42% dan aplikasi Zenius memiliki akurasi sebesar 46%, Presisi 78%, Recall 33%, F1-Score 17%. Penggunaan data imbalance dan data balance memiliki perbedaan, dimana pada data imbalance memiliki akurasi yang tinggi sedangkan pada data imbalance memiliki akurasi rendah dikarenakan penggunaan smote pada representasi vektor word2vec dapat mengakibatkan interpolasi yang tidak tepat dan menyebabkan penyebaran sampel menjadi kurang relevan dalam ruang vektor.