| dc.description.abstract | Perkembangan pesat industri film dalam satu dekade terakhir ditambah dengan
munculnya berbagai platform streaming saat ini. Membuat peningkatan jumlah penonton film
yang meningkat pesat. Salah satu faktor penting dalam keputusan penonton untuk menonton
film berdasarkan dari ulasan dari pengguna lain. Dengan ulasan yang kini lebih mudah
diakses melalui berbagai platform, analisis sentimen menjadi alat yang sangat berharga untuk
memahami persepsi penonton. Mengingat tantangan dalam pengembangan model machine
learning, terutama dalam konteks analisis sentimen ulasan film, masalah akurasi menjadi
fokus utama. Akurasi model sangat berpengaruh terhadap kinerja model dalam implementasi
prediksi sentimen. Oleh karena itu, penting untuk melakukan optimalisasi hyperparameter
guna meningkatkan akurasi tersebut. Penelitian ini berusaha mengeksplorasi kombinasi
hyperparameter dengan menggunakan Random Search. Hasil terbaik yang diperoleh
kemudian dibandingkan kinerjanya dengan model BiLSTM dengan parameter umum yang
ditetapkan manual. Proses membandingkan kinerja kedua model tersebut dilakukan dengan
proses Stratified k-fold cross validation. Hasilnya diperoleh bahwa model dengan parameter
hasil Random search lebih unggul dibandingkan dengan model dengan parameter umum
yang ditetapkan secara manual. Model dengan parameter umum yang ditetapkan secara
manual memperoleh akurasi rata-rata pada Stratified k-fold cross validation yaitu 89,51%,
88,66%, 89,19%, dan 89,39% lebih rendah jika dibandingkan dengan model dengan
parameter yang dihasilkan melalui proses Random search yang memperoleh akurasi rata-rata
keseluruhan sebesar 96,99%. Model terbaik hasil Random Search kemudian dilakukan
pengujian menggunakan sampel ulasan film. Hasil penelitian ini dapat memberikan
kontribusi penting dalam bidang analisis sentimen, terkhusus dalam aplikasi NLP untuk
ulasan film. Hal ini juga membuka peluang untuk penerapan model BiLSTM yang lebih luas
dalam berbagai aspek analisis teks. | en_US |
