PEMODELAN CONVOLUTION NEURAL NETWORK UNTUK KLASIFIKASI ULASAN BATIK BANGKALAN

Keindahan batik madura yang unik, sejenis batik pesisir, sebagian besar tidak diketahui oleh masyarakat umum. Desain, motif, dan warna yang digunakan pada setiap batik daerah mencerminkan budaya daerah Madura tersebut. Batik Tanjung Bumi Gentongan merupakan salah satu jenis batik bangkalan yang dibedakan dari jenis batik lainnya dari proses produksinya yang unik. Demi menghasilkan batik yang berkualitas, hal itu dilakukan. Batik gentongan mempertahankan warna cerahnya sepanjang waktu, semakin memukau seiring bertambahnya periode waktu. Persepi tingkat kepercayaan masyarakat terhadap batik sangat dibutuhkan yaitu berupa opini baik positif maupun negatif untuk meningkatkan kualitas batik. Klasifikasi sentimen adalah bagian dari text mining. Klasifikasi sentimen dapat berguna dalam evaluasi suatu topik masalah. Tujuan utama klasifikasi sentimen adalah untuk menentukan polaritas sentimen positif, negatif, dan netral. Salah satu klasifikasi sentimen dapat diperoleh melalui ulasan Google Maps. Ekstraksi fitur dibutuhkan dalam klasifikasi teks yang sangat bergantung pada ekstraksi fitur untuk mengubah format tekstual yang tidak terstruktur menjadi format terstruktur yang dapat lebih mudah ditafsirkan dan dikategorikan oleh algoritme pembelajaran mesin ke dalam kategori tertentu. Penelitian ini menggunakan Convolution Neural network (CNN) dan Term Frequency — Inverse Document Frequency (TF-IDF) untuk mengkategorikan pendapat atau sikap masyarakat terhadap batik Bangkalan berdasarkan umpan balik pelanggan. Terdapat layer konvolusi, pooling layer, Dense, Dropout, softmax, ReLu/Sigmoid adalah parameter di CNN. Hal ini akan menambah tingkat akurasi dan optimum algoritma CNN, sehingga dibutuhkan beberapa perubahan dari layer konvolusi, Dense, Dropout dan learning rate (0.1 0.01 0.001 0.0001). Setelah melakukan pengujian sebanyak 4 percobaan, hasil akurasi tertinggi didapatkan pada pengujan keempat dengan akurasi 92%, Presisi 63.86%, Recall 49.21% dan F1-Score 53.37%.