PERBANDINGAN WORD EMBEDDING WORD2VEC, GLOVE, DAN FASTTEXT MENGGUNAKAN DEEP LEARNING PADA ULASAN KONDISI PENGGUNA OBAT KESEHATAN

FIQIH AULIA , PRADANA (2023) PERBANDINGAN WORD EMBEDDING WORD2VEC, GLOVE, DAN FASTTEXT MENGGUNAKAN DEEP LEARNING PADA ULASAN KONDISI PENGGUNA OBAT KESEHATAN. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	Text 1. ABSTRAK - ABSTRACT.pdf Download (13kB) | Preview
	Text 2. SKRIPSI FULL.pdf Restricted to Repository staff only Download (2MB) | Request a copy
Preview	Text 3. SKRIPSI TANPA BAB PEMBAHASAN.pdf Download (958kB) | Preview

Abstract

Produk kesehatan seperti obat merupakan salah satu aspek penting dalam kesehatan. Sebagai masyarakat awam perlu rekomendasi obat dari penyintas penyakit. Rekomendasi tersebut berupa ulasan yang dapat dijadikan bahan pengetahuan untuk masyarakat dalam memilih obat sesuai kondisi yang dialami. Dalam statistika khususnya dalam metode klasifikasi, data berbentuk ulasan diproses melalui NLP. Text mining merupakan salah satu bagian dari NLP. Dalam penerapannya text mining harus berdampingan dengan machine learning untuk mengolah algoritma untuk mendapat hasil yang baik. Word embedding merupakan teknik analisis kebahasaan terbaru, dimana metode ini memberikan informasi struktur, urutan, semantik dan konteks di sekitar kata. Word Embedding yang dipakai adalah Word2Vec, Glove, dan FastText. Metode yang digunakan untuk mengklasifikasikan yaitu deep learning LSTM. LSTM bisa digunakan untuk menyimpan memori jangka panjang. Perpaduan word embedding dan LSTM dapat melihat hasil kinerja masing-masing word embedding dan keunggulan dari word embedding yang bisa dimaksimalkan. Hasil dari perbandingan word embedding Word2Vec, Glove, dan FastText digabungkan dengan metode LSTM mampu mendapatkan hasil nilai akurasi berturut-turut 85.20%, 84.19%, 86.22%. Sedangkan nilai F1-Score word embedding Word2Vec, Glove, dan FastText berturut-turut 85%, 84%, 86%. Kata Kunci : Ulasan, Kondisi, Klasifikasi, Word2Vec, Glove, FastText, LSTM

Item Type:	Other
Subjects:	?? 500 ?? ?? 510 ??
Divisions:	Fakultas MIPA > Prodi Matematika
Depositing User:	2301785943 . Digilib
Date Deposited:	05 Jun 2023 02:44
Last Modified:	05 Jun 2023 02:44
URI:	http://digilib.unila.ac.id/id/eprint/71626

Actions (login required)

View Item