KLASIFIKASI SENTIMEN KALIMAT DENGAN METODE BIDIRECTIONAL LONG SHORT-TERM MEMORY KLASIFIKASI SENTIMEN KALIMAT DENGAN METODE BIDIRECTIONAL LONG SHORT-TERM MEMORY

Hadi Susilo, Janu (2024) KLASIFIKASI SENTIMEN KALIMAT DENGAN METODE BIDIRECTIONAL LONG SHORT-TERM MEMORY KLASIFIKASI SENTIMEN KALIMAT DENGAN METODE BIDIRECTIONAL LONG SHORT-TERM MEMORY. Skripsi thesis, UNAMA.

	Text BAB I.pdf Download (98kB)
	Text BAB II.pdf Restricted to Registered users only Download (394kB)
	Text BAB III.pdf Restricted to Registered users only Download (184kB)
	Text BAB IV.pdf Restricted to Registered users only Download (436kB)
	Text BAB V.pdf Download (291kB)
	Text BAB VI.pdf Download (88kB)
	Text DAFTAR PUSTAKA-.pdf Download (232kB)

Abstract

Media sosial adalah saluran atau sarana pergaulan sosial secara online di dunia maya. Topik utama yang sedang hangat diperbincangkan adalah tentang pemilihan umum, sebuah pesta demokrasi yang diadakan oleh rakyat Indonesia setiap lima tahun sekali untuk memilih presiden dan wakil presiden berikutnya. Dengan sentimen terhadap figur bakal calon presiden, dapat mengetahui bagaimana masyarakat menyikapi terhadap figur tersebut, trend sentimen terhadap figur. Analisis sentimen merupakan proses identifikasi otomatis terhadap apakah teks yang dihasilkan oleh pengguna mengungkapkan pendapat positif, negatif, atau netral terhadap suatu objek (baik itu produk, orang, topik, acara, dan sebagainya). Penelitian ini bertujuan untuk melakukan klasifikasi sentimen kalimat dengan menggunakan pendekatan bidirectional LSTM dalam library TensorFlow, penelitian fokus pada pengujian metode tanpa klasifikasi sentimen dari media sosial. Hasil pengujian metode Bidirectional LSTM menunjukkan kinerja yang kurang memuaskan, dengan akurasi training sebesar 44.70% dan validasi 43.57%. Pada 20 sampel kalimat yang diuji, akurasi model hanya mencapai 45%. Namun jika menggunakan tambahan metode Embedding diperoleh akurasi training sebesar 80.71% dan validasi 71.02%. Selain itu, pada 20 sampel kalimat yang diberikan, akurasi model dapat mencapai 75%. Hal ini mengindikasikan bahwa penggunaan tambahan metode Embedding dapat meningkatkan kemampuan model dalam mengklasifikasikan sentimen kalimat. Dengan demikian, disimpulkan bahwa model yang hanya mengandalkan metode Bidirectional LSTM memiliki keterbatasan yang signifikan, tetapi dengan menggabungkan metode Embedding, kinerja model dapat ditingkatkan secara substansial.

Actions (login required)

View Item