Nama: Sri Kresna Maha Dewa
Username dicoding: Sri Kresna Maha Dewa
| Deskripsi | |
|---|---|
| Dataset | Restaurant Review |
| Masalah | Dalam industri restoran, ulasan pelanggan memainkan peran penting dalam mempengaruhi reputasi dan popularitas sebuah restoran. Namun, menganalisis ulasan ini secara manual dapat memakan waktu dan rentan terhadap bias. Tantangannya adalah mengotomatiskan proses mengklasifikasikan ulasan ini sebagai positif atau negatif, yang dapat membantu pemilik restoran memahami sentimen pelanggan dengan cepat dan obyektif serta meningkatkan layanan mereka. |
| Solusi machine learning | Melalui masalah yang ada, pendekatan machine learning akan sangat membantu untuk mengklasifikasikan ulasan pelanggan yang berbasis teks. Machine learning, terutama deep learning memiliki kemampuan yang baik dalam memproses data teks dan memberikan tingkat akurasi yang tinggi. Sehingga cocok digunakan untuk kasus ini. |
| Metode pengolahan | Data awal ulasan pelanggan akan dipisah menjadi data pelatihan dan data evaluasi dengan rasio 80:20, kemudian data akan melalui tahapan validasi untuk analisa dan menemukan anomali pada data. Tahap selanjutnya data akan diproses agar siap untuk masuk kedalam pelatihan. Setelah pelatihan selesai model akan di evaluasi dan di dikirim pada endpoint dimana model siap dipakai. |
| Arsitektur model | Arsitektur yang digunakan cukup sederhana terdiri dari layer Embedding dan satu layer Dense sebagai hidden layer, kemudian fungsi aktivasi pada output layer menggunakan Sigmoid karena dalam kasus ini adalah binary classification. |
| Metrik evaluasi | Metrik evaluasi yang digunakan yaitu metrik klasifikasi seperti ExampleCount, AUC, FalsePositives, TruePositives, FalseNegatives, TrueNegatives, dan BinaryAccuracy. |
| Performa model | Evaluasi model diperoleh yaitu AUC sebesar 76%, kemudian example_count 201, dengan BinaryAccuracy 73%, dan loss sebesar 1.576. Untuk False Negatives 33, False Positive 21, True Negative 74 dan True Positive 73. Performa model dapat ditingkatkan lebih baik lagi, bisa dari segi data ataupun pemrosesan data yang lebih baik lagi. |
| Opsi deployment | Untuk deployment, sistem ini akan dideploy menggunakan platform railway |
| Web app | review-classification |
| Monitoring | Monitoring pada sistem ini dilakukan menggunakan prometheus dan grafana. Disini hanya dilakukan proses monitoring untuk menampilkan request yang masuk pada sistem yang akan menamplkan status pada tiap request yang dilakukan, pada sistem ini terdapat tiga status yang ditampilkan yaitu apabila proses request pada sistem klasifikasi not found, invalid argument dan proses klasifikasi berhasil ditandakan dengan ok |