Klasifikasi Rating Aplikasi Berdasarkan Ulasan Teks dengan Anotasi BERT dan Hibridisasi dari RNN dengan Bidirectional LSTM

Faris Zaidan Nafis, Prof. Dr.-Ing. Mhd. Reza M. I. Pulungan, S.Si., M.Sc.

2025 | Skripsi | ILMU KOMPUTER

    Rating menjadi aspek paling penting dalam keputusan pengguna dalam mengunduh aplikasi. Pengguna mengutarakan pengalaman dan informasi tentang kualitas aplikasi melalui ulasan dan rating. Namun, seringkali terdapat ketidakakuratan dalam prediksi rating bintang dengan dataset tidak bias dari ulasan yang terkumpul.

    Penelitian ini bertujuan untuk meningkatkan performa dalam klasifikasi rating dengan menerapkan pendekatan hibridisasi antara Recurrent Neural Network (RNN) dan Bidirectional Long Short-Term Memory (BiLSTM). Pendekatan BiLSTM memungkinkan pemodelan informasi dari dua arah, sehingga mampu memahami konteks secara lebih menyeluruh baik dari kata-kata sebelumnya maupun sesudahnya dalam suatu kalimat.

    Model dievaluasi menggunakan metrik evaluasi seperti accuracy, precision, recall, dan F1-score untuk mengukur performa klasifikasi. Dataset yang digunakan merupakan kumpulan ulasan aplikasi dari Google Play Store yang telah melalui proses anotasi dan pembersihan guna meminimalkan bias. Hasil evaluasi menunjukkan bahwa model hibridisasi RNN-BiLSTM dengan penyesuaian parameter num_words memberikan performa yang lebih baik dibandingkan metode sebelumnya dalam mengklasifikasikan rating berdasarkan ulasan teks yaitu sebesar 80.97% untuk akurasi dan 53.45% untuk F1-score.

Ratings are a crucial factor in users’ decisions to download an application. Users express their experiences and provide insights into app quality through reviews and ratings. However, there is often a mismatch between the actual star rating and what can be predicted from the collected review data due to inherent bias.

This study aims to improve rating classification performance by applying a hybrid approach that combines Recurrent Neural Network (RNN) and Bidirectional Long Short-Term Memory (BiLSTM). The BiLSTM architecture enables the model to capture contextual information from both preceding and succeeding words in a sentence, leading to a more comprehensive understanding of the text.

The model is evaluated using performance metrics such as accuracy, precision, recall, and F1-score. The dataset used consists of user reviews from the Google Play Store, which have been preprocessed and annotated to minimize bias. Evaluation results show that the hybrid RNN-BiLSTM model, with parameter tuning on num_words, achieved better performance compared to previous methods in classifying ratings based on text reviews, reaching 80.97?curacy and 53.45?-score.

Kata Kunci : Rating classification, Sentiment annotation, Deep learning, BERT, RNN, BiLSTM.