Perbandingan Model LSTM dan GRU Untuk Analisis Sentimen Ulasan Pengguna Spotify

Abstract

Spotify merupakan salah satu platform streaming musik populer yang menghasilkan banyak ulasan dari pengguna. Analisis sentimen pada ulasan tersebut penting untuk mengetahui persepsi dan tingkat kepuasan pengguna. Penelitian ini bertujuan untuk mengklasifikasikan sentimen ulasan Spotify menggunakan dua model deep learning, yaitu Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Dataset yang digunakan berjumlah 61.587 ulasan dengan dua kategori sentimen, yaitu positif dan negatif. Tahapan penelitian meliputi pra-proses teks, tokenisasi, padding, pemisahan data, pelatihan model, dan evaluasi. Model dilatih menggunakan embedding bawaan Keras dengan optimizer Adam. Hasil evaluasi menunjukkan bahwa LSTM memperoleh akurasi 0.8950, sedangkan GRU mencapai 0.8922. Kedua model menunjukkan performa yang stabil berdasarkan nilai precision, recall, dan F1-score. Berdasarkan hasil tersebut, LSTM memiliki performa sedikit lebih baik, namun GRU tetap menjadi alternatif yang efisien dengan hasil yang mendekati LSTM.