Ringkasan Dashboard

Visualisasi performa klasifikasi sentimen ulasan Google Play Store (RNN vs CNN)

CNN Model Terbaik
85.0% Akurasi Tertinggi
5 Kategori Aplikasi Diuji
7.500 Total Ulasan Uji

Akurasi Model per Kategori Aplikasi

Kesimpulan Riset

Proyek riset ini membandingkan kinerja model pembelajaran mendalam CNN (Convolutional Neural Network) dan RNN (Recurrent Neural Network).

Secara keseluruhan, model CNN lebih unggul dibandingkan RNN dalam akurasi dan stabilitas pada ulasan Google Play Store.

Performa tertinggi dicapai oleh CNN pada kategori Desain dengan akurasi 85.0%.

Rekomendasi: Gunakan arsitektur CNN untuk klasifikasi sentimen ulasan singkat bertipe teks karena waktu training yang lebih cepat serta ekstraksi fitur lokal (n-gram) yang lebih efisien.

Perbandingan Detail Metrik Evaluasi: Desain

Perbandingan Metrik

Uji Sentimen Ulasan Baru

Hasil Prediksi Model

Silakan ketik ulasan di sebelah kiri dan jalankan klasifikasi untuk melihat hasil prediksi sentimen.

Kata-Kata Paling Sering Muncul (Word Cloud): Desain

Top Kata Kunci Sentimen

Kata Sentimen Kekuatan (Bobot)

Tahapan Implementasi Machine Learning & Deep Learning

1

Scraping Data & Pengumpulan

Pengumpulan data ulasan pengguna secara langsung dari Google Play Store pada 5 kategori aplikasi utama: Desain, Fotografi, Game, Media Sosial, dan Streaming Video.

2

Data Cleaning (Pembersihan Data)

Menghapus baris kosong, kolom yang tidak digunakan, link URL, mention (@username), karakter non-ASCII (seperti Emoji), angka, serta tanda baca menggunakan regular expression (Regex).

3

Preprocessing & Tokenisasi Teks

Mengubah huruf menjadi kecil (lowercase), melakukan ekspansi kontraksi kata bahasa gaul (misalnya: "gak" -> "tidak", "jg" -> "juga"), pemfilteran kata hubung (Stopwords removal) bahasa Indonesia, serta Tokenisasi teks menggunakan library Keras Tokenizer.

4

Penyetaraan Data (SMOTE)

Mengatasi ketidakseimbangan (imbalance) data sentimen positif dan negatif menggunakan metode SMOTE (Synthetic Minority Over-sampling Technique) agar hasil latih model seimbang dan tidak bias.

5

Arsitektur Model Deep Learning

Membangun arsitektur model CNN (1D Convolution + Global Max Pooling) dan RNN (SimpleRNN / LSTM / GRU) dengan input Embedding Layer untuk melatih pengklasifikasi ulasan.

6

Model Evaluasi & Validasi

Mengukur performa model menggunakan metrik akurasi, presisi, recall, F1-score, serta plotting diagram loss/accuracy dan confusion matrix dari subset pengujian (test set).