PENGGUNAAN WORD EMBEDDING WORD2VEC DALAM PENGEMBANGAN MODEL CNN STUDY KASUS ANALISIS SENTIMEN TEMPAT WISATA MAKASSAR

Abstrak

Penelitian ini bertujuan untuk mengevaluasi pengaruh penerapan teknik Word Embedding Word2Vec terhadap akurasi model Convolutional Neural Network (CNN) dalam analisis sentimen ulasan tempat wisata di Makassar. Analisis sentimen adalah proses mengidentifikasi dan mengklasifikasikan emosi atau opini yang terkandung dalam teks, apakah positif, negatif, atau netral. Dataset penelitian terdiri dari 4500 ulasan wisata yang diambil dari Google Maps. Data ini kemudian diolah menggunakan teknik Word2Vec untuk menghasilkan representasi vektor dari kata-kata dalam ulasan. Vektor ini digunakan sebagai input ke dalam model CNN untuk klasifikasi sentimen. Menggunakan tiga skenario pembagian data yaitu 90:10, 80:20, dan 70:30 untuk melatih dan menguji model. Hasil penelitian menunjukkan bahwa penerapan Word2Vec pada model CNN memberikan peningkatan akurasi dalam prediksi sentimen. Model CNN dengan Word2Vec berhasil mencapai akurasi 79%, sementara model CNN tanpa Word2Vec hanya mencapai akurasi 74%. Hal ini menunjukkan bahwa penggunaan Word2Vec dapat meningkatkan performa model dalam mengklasifikasikan sentimen ulasan tempat wisata.