DETEKSI FAKE REVIEW PRODUK DI MARKETPLACE MENGGUNAKAN LSTM

Muhammad Udin, M Imamudin, Cahyo Crysdian, Arbiati Faizah

Abstract


Ulasan pelanggan kini menjadi sumber informasi utama untuk menilai kualitas produk karena pesatnya perkembangan e-commerce di Indonesia, terutama di platform Tokopedia. Namun, ulasan palsu menimbulkan ancaman terhadap integritas sistem karena sulit dideteksi secara manual. Tujuan penelitian ini adalah untuk secara otomatis mengidentifikasi ulasan palsu yang ditulis dalam bahasa Indonesia dengan menggabungkan teknik ekstraksi fitur Word2Vec dengan algoritma Deep Learning yang disebut Long Short-Term Memory (LSTM). Masalah utama dalam penelitian ini adalah ketidakseimbangan data, karena terdapat lebih banyak ulasan palsu daripada ulasan asli. Adaptive Synthetic (ADASYN) dan Synthetic Minority Oversampling Technique (SMOTE) adalah dua pendekatan oversampling yang digunakan untuk mengatasi masalah tersebut. Sebanyak 887 ulasan diperoleh dari dataset, yang dikumpulkan melalui scraping online dan diberi label menggunakan pendekatan Latent Dirichlet Allocation (LDA). Hasil penelitian menunjukkan bahwa kedua strategi oversampling meningkatkan kinerja model dengan akurasi yang hampir sama, yaitu 82%. ADASYN menawarkan distribusi kinerja yang lebih seimbang dan stabil antar kelas dengan F1-Score 82,00% untuk ulasan asli dan 82,90% untuk ulasan palsu, sedangkan model dengan SMOTE cenderung lebih agresif dalam mendeteksi ulasan palsu dengan recall 88,90% untuk kelas Computer Generated (CG). Setelah epoch ke-30, analisis kurva pelatihan menunjukkan tanda-tanda overfitting, yang menunjukkan perlunya lebih banyak teknik regularisasi. Secara keseluruhan, penggabungan teknik penyeimbangan data sangat penting dalam meningkatkan kerentanan model terhadap evaluasi palsu di pasar Indonesia.

Keywords


Fake Review; LSTM; Word2Vec; SMOTE; ADASYN;

Full Text:

PDF

References


R. Mohawesh, S. Xu, S. N. Tran, R. Ollington, M. Springer, Y. Jararweh, dan S. Maqsood, “Fake Reviews Detection: A Survey,” IEEE Access, vol. 9, hal. 65771–65802, 2021.

J. Salminen, C. Kandpal, A. M. Kamel, S. G. Jung, dan B. J. Jansen, “Creating and detecting fake reviews of online products,” Journal of Retailing and Consumer Services, vol. 64, hal. 102771, 2022.

Z. Hadi, E. Utami, dan D. Ariatmanto, “Detect Fake Reviews Using Random Forest and Support Vector Machine,” Sinkron: Jurnal dan Penelitian Teknik Informatika, vol. 7, no. 2, hal. 120–129, 2023.

D. A. Haryono dan F. A. Bachtiar, “Klasifikasi Ulasan Palsu Menggunakan MDLText dengan Seleksi Fitur IG dan SMOTE,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 4, no. 5, hal. 1536–1545, 2020.

R. S. H. Istanto, F. A. Bachtiar, dan A. Ridok, “Pengaruh Word Affect Intensities terhadap Deteksi Ulasan Palsu,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 9, no. 2, hal. 427–434, 2022.

M. R. Maulana, Y. Wibisono, dan H. Siregar, “Penerapan Metode LSTM Dalam Pembuatan Sistem Pendeteksi Beri-ta Palsu Berbahasa Indonesia,” Syntax: Jurnal Informatika, vol. 12, no. 2, hal. 43–51, 2023.

N. Rai, D. Kumar, N. Kaushik, C. Raj, dan A. Ali, “Fake News Classification using transformer based enhanced LSTM and BERT,” International Journal of Cognitive Computing in Engineering, vol. 3, hal. 98–105, 2022.

R. Mohawesh, H. B. Salameh, Y. Jararweh, M. Alkhalaileh, dan S. Maqsood, “Fake review detection using trans-former-based enhanced LSTM and RoBERTa,” International Journal of Cognitive Computing in Engineering, vol. 5, hal. 250–258, 2024.

Z. Hadi, M. Zulpahmi, Zaenudin, dan A. Asrory, “Detecting Fake Reviews Using BERT and Sublinear_TF Methods on Hotel Reviews in the Lombok Tourism Area,” Journal of Applied Informatics and Computing, vol. 8, no. 2, hal. 550–556, 2024.

J. Liu, P. Quan, dan W. Zhang, “A Study on Fake Review Detection Based on RoBERTa and Behavioral Features,” Procedia Computer Science, vol. 242, hal. 1323–1330, 2024.

C. Kim dan H. G. Kim, “Efficient Detection of Irrelevant User Reviews Using Machine Learning,” Applied Sciences, vol. 14, no. 16, hal. 6900, 2024.

N. Qandos, G. Hamad, M. Alharbi, S. Alturki, W. Alharbi, dan A. A. Albelaihi, “Multiscale cascaded domain-based approach for Arabic fake reviews detection in e-commerce platforms,” Journal of King Saud University - Computer and Information Sciences, vol. 36, no. 1, hal. 101926, 2024.

S. Geetha, E. Elakiya, R. S. Kanmani, dan M. K. Das, “High performance fake review detection using pretrained DeBERTa optimized with Monarch Butterfly paradigm,” Scientific Reports, vol. 15, hal. 7445, 2025.

M. Nasser, N. I. Arshad, A. Ali, H. Alhussian, F. Saeed, A. Da’ud, dan I. Nafea, “A systematic review of multimodal fake news detection on social media using deep learning models,” Results in Engineering, vol. 26, hal. 104752, 2025.

T. Mikolov, K. Chen, G. Corrado, dan J. Dean, “Efficient estimation of word representations in vector space,” Proc. Int. Conf. Learn. Representations, hal. 1–12, 2013.

S. Hochreiter dan J. Schmidhuber, “Long short-term memory,” Neural Computation, vol. 9, no. 8, hal. 1735–1780, 1997.

N. V. Chawla, K. W. Bowyer, L. O. Hall, dan W. P. Kegelmeyer, “SMOTE: Synthetic minority over-sampling tech-nique,” Journal of Artificial Intelligence Research, vol. 16, hal. 321–357, 2002.

H. He, Y. Bai, E. A. Garcia, dan S. Li, “ADASYN: Adaptive synthetic sampling approach for imbalanced learning,” Proc. IEEE Int. Joint Conf. Neural Networks, hal. 1322–1328, 2008.

J. Devlin, M. Chang, K. Lee, dan K. Toutanova, “BERT: Pre-training of deep bidirectional transformers for language understanding,” Proc. NAACL-HLT, hal. 4171–4186, 2019.

Y. Liu et al., “RoBERTa: A robustly optimized BERT pretraining approach,” arXiv preprint arXiv:1907.11692, hal. 1–13, 2019.

Y. LeCun, Y. Bengio, dan G. Hinton, “Deep learning,” Nature, vol. 521, hal. 436–444, 2015.

F. Chollet, “Deep learning with Python,” Manning Publications, hal. 1–384, 2018.




DOI: https://doi.org/10.29100/jipi.v11i3.10200

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika)
ISSN 2540-8984
Published by
Prodi Pendidikan Teknologi Informasi
Universitas Bhinneka PGRI

Website :https://jurnal.stkippgritulungagung.ac.id/index.php/jipi/index
Email: jipistkippti@gmail.com

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.