@article{Imron_Setiawan_Santoso_2023, place={Surabaya, Indonesia}, title={Deteksi Aspek Review E-Commerce Menggunakan IndoBERT Embedding dan CNN}, volume={5}, url={https://jurnal.stts.edu/index.php/INSYST/article/view/267}, DOI={10.52985/insyst.v5i1.267}, abstractNote={<p>Dengan semakin berkembangnya teknologi informasi, maka muncul istilah <em>e-commerce</em> dalam dunia bisnis. Pada <em>e-commerce</em> ada fitur <em>review</em>, pelanggan dapat memberikan <em>review</em> berupa teks, gambar, dan bintang. <em>Review</em> tersebut merupakan opini dari pelanggan terkait barang yang dibeli. Tetapi pada kebanyakan <em>e-commerce</em> tidak ada fitur kategori terkait <em>review</em> hal ini membuat calon pembeli kesusahan dalam menganalisa secara manual. <em>Aspect</em><em>-based sentiment analysis</em> (ABSA) merupakan solusi dari permasalahan tersebut. ABSA memiliki tiga tugas salah satunya <em>Aspect Category Detection</em> yang memiliki fungsi untuk menggabungkan <em>review</em> pelanggan menjadi beberapa aspek dimana aspek-aspek tersebut sudah didefinisikan terlebih dahulu. Cukup banyak penelitian terkait <em>Aspect Category Detection</em> dengan mengunakan <em>machine</em> <em>learning</em>. Dari beberapa metode yang diuji, <em>Convolutional Neural Network</em> (CNN) merupakan metode terbaik. Selain itu penggunaan BERT sebagai <em>word embedding</em> menghasilkan output yang bagus baik dari pada <em>word embedding</em> konvensional. Penelitian ini menggunakan dataset dari <em>e-commerce</em> Bukalapak dengan 3114 review dan 6 aspek (Akurasi, Pengiriman, Kualitas, Harga, Pengemasan, dan Pelayanan). Berdasarkan ujicoba dengan menggunakan IndoBERT sebagai <em>word embedding</em> dan CNN untuk deteksi aspek, maka didapatkan akurasi sebesar 94,86%. Dengan demikian model tersebut dapat digunakan untuk deteksi aspek. Selain itu, metode CNN mendapatkan hasil yang lebih baik dari pada metode LSTM.</p>}, number={1}, journal={INSYST: Journal of Intelligent System and Computation}, author={Imron, Syaiful and Setiawan, Esther Irawati and Santoso, Joan}, year={2023}, month={Apr.}, pages={10–16} }