IMPLEMENTASI BI-DIRECTIONAL LONG SHORT TERM MEMORY TERHADAP KLASIFIKASI SENTIMEN DI TWITTER PADA DATASET TERBATAS
DOI:
https://doi.org/10.31849/zn.v7i1.24799Keywords:
Bidirectional, LSTM, Klasifikasi Sentimen, Dataset Terbatas, Word2vecAbstract
Perkembangan teknologi informasi telah mengubah cara Masyarakat mengekspresikan pendapat, terutama melalui media sosial seperti Twitter. Di bidang politik, media sosial kerap dijadikan parameter untuk mengukur popularitas tokoh politik sampai kepada sentimen masyarakat. Penelitian ini menggunakan metode deep learning yaitu Bi-Directional Long Short Term Memory (Bi-LSTM) untuk mengukur sentimen publik terhadap tokoh politik Kaesang Pangarep di Twitter. Dataset yang dikumpulkan 1.524 tweet dari 25 September hingga 3 Oktober 2023 dibagi menjadi 924 tweet untuk pengujian dan 600 tweet untuk pelatihan. Proses preprocessing meliputi cleaning dan konversi emoji. Model Bi-LSTM dilatih menggunakan fitur yang diekstraksi melalui Word2Vec. Penambahan data training dengan dataset eksternal dari data sentimen program vaksinasi Covid-19 dan Open Topic, dapat meningkatkan performa model dengan nilai F1-Score tertinggi 67.77% pada data validasi, dan 52.70% pada data testing. Hasil ini meningkat secara signifikan dibandingkan dengan metode baseline Bi-LSTM tanpa optimasi. Penelitian ini menunjukkan bahwa Bi-LSTM sangat efektif dalam klasifikasi sentimen, dan hasil akhir sangat dipengaruhi oleh kuantitas dan kualitas data latih yang digunakan.
References
A. S. Cahyono, “Anang Sugeng Cahyono, Pengaruh Media Sosial Terhadap Perubahan Sosial Masyarakat di Indonesia,” pp. 140–157.
M. F. Cahyadi and T. H. Rochadiani, “Implementasi Ensemble Deep Learning Untuk Analisis Sentimen Terhadap Genre Game Mobile,” Jurnal Media Informatika Budidarma, vol. 8, no. 3, p. 1512, 2024, doi: 10.30865/mib.v8i3.7832.
N. A. Halim et al., Media dan Politik. 2016.
N. Rohman, “Peran Partai Solidaritas Indonesia (PSI) dalam Pemilihan Presiden 2024: Analisis Terhadap Pemilih Pemula,” JPW (Jurnal Politik Walisongo), vol. 5, no. 1, pp. 85–102, 2023, doi: 10.21580/jpw.v5i1.18330.
R. Luthfiansyah and B. Wasito, “Analisis Sentimen Terhadap Para Kandidat Presiden 2024 Berdasarkan Netizen Pengguna Twitter Dengan Metode Data Mining Dan Text Mining,” Jurnal Informatika dan Bisnis, vol. 11, no. 2, pp. 85–104, 2023, doi: 10.46806/jib.v11i2.994.
J. Homepage, C. Alkahfi, A. Kurnia, and A. Saefuddin, “MALCOM: Indonesian Journal of Machine Learning and Computer Science Performance Comparison of RNN-Based Models in Forecasting Indonesian Economic and Financial Data Perbandingan Kinerja Model Berbasis RNN pada Peramalan Data Ekonomi dan Keuangan Indonesia,” vol. 4, no. October, pp. 1235–1243, 2024.
U. Pengembangan et al., “Jurnal Teknologi Terpadu,” vol. 10, no. 1, pp. 46–55, 2024.
Nurul Iftitah, H. Hambali, and Aco Karumpa, “Campur Kode Bahasa Indonesia dan Bahasa Inggris di Media Sosial Instagram,” DEIKTIS: Jurnal Pendidikan Bahasa dan Sastra, vol. 2, no. 2, pp. 103–113, 2022, doi: 10.53769/deiktis.v2i2.250.
R. Ardianto and S. K. Wibisono, “Analisis Deep Learning Metode Convolutional Neural Network Dalam Klasifikasi Varietas Gandum,” Jurnal Kolaboratif Sains(JKS), vol. 6, no. 12, pp. 2081–2092, 2023, doi: 10.56338/jks.v6i12.4938.
I. Fitri, T. Informatika, F. Ilmu Komputer, J. Raya Lubuk Begalung, K. Lubuk Begalung, and K. Padang, “SISTEMASI: Jurnal Sistem Informasi Pengembangan Sistem Klasifikasi Buah Apel menggunakan Convolutional Neural Network (CNN) Arsitektur MobileNet pada Platform Android Development of Apple Fruit Classification System using Convolutional Neural Network (CNN,” vol. 13, pp. 230–243, 2024, [Online]. Available: http://sistemasi.ftik.unisi.ac.id
F. Yuspriyadi, “Klasifikasi Sentimen Twitter Menggunakan Lstm,” METHODIKA: Jurnal Teknik Informatika dan Sistem Informasi, vol. 9, no. 1, pp. 4–8, 2023, doi: 10.46880/mtk.v9i1.1720.
W. Widayat, “Analisis Sentimen Movie Review menggunakan Word2Vec dan metode LSTM Deep Learning,” Jurnal Media Informatika Budidarma, vol. 5, no. 3, p. 1018, 2021, doi: 10.30865/mib.v5i3.3111.
A. Alim Murtopo, M. Aditdya, P. Septiana Ananda, and G. Gunawan, “Penerapan Computer Vision Untuk Mendeteksi Kelengkapan Atribut Siswa Menggunakan Metode Cnn,” PROSISKO: Jurnal Pengembangan Riset dan Observasi Sistem Komputer, vol. 11, no. 2, pp. 247–258, 2024, doi: 10.30656/prosisko.v11i2.8752.
S. Agustian, M. I. Syah, N. Fatiara, and R. Abdillah, “New Directions in Text Classification Research: Maximizing The Performance of Sentiment Classification from Limited Data,” 2024. [Online]. Available: https://arxiv.org/abs/2407.05627
M. Ihsan, Benny Sukma Negara, and Surya Agustian, “LSTM (Long Short Term Memory) for Sentiment COVID-19 Vaccine Classification on Twitter,” Digital Zone: Jurnal Teknologi Informasi dan Komunikasi, vol. 13, no. 1, pp. 79–89, 2022, doi: 10.31849/digitalzone.v13i1.9950.
A. tri Jaka, “Belajar Data Science: Text Mining Untuk Pemula,” Jurnal Informatika UPGRIS, vol. 1, pp. 1–9, 2015, [Online]. Available: https://media.neliti.com/media/publications/137435-ID-preprocessing-text-untuk-meminimalisir-k.pdf
E. Setia Budi, A. Nofriyaldi Chan, P. Priscillia Alda, and M. Arif Fauzi Idris, “RESOLUSI : Rekayasa Teknik Informatika dan Informasi Optimasi Model Machine Learning untuk Klasifikasi dan Prediksi Citra Menggunakan Algoritma Convolutional Neural Network,” Media Online, vol. 4, no. 5, p. 509, 2024, [Online]. Available: https://djournals.com/resolusi
A. Nurdin, B. Anggo Seno Aji, A. Bustamin, and Z. Abidin, “Perbandingan Kinerja Word Embedding Word2Vec, Glove, Dan Fasttext Pada Klasifikasi Teks,” Jurnal Tekno Kompak, vol. 14, no. 2, p. 74, 2020, doi: 10.33365/jtk.v14i2.732.
A. Kartika Sari, Akhmad Irsyad, Dinda Nur Aini, Islamiyah, and Stephanie Elfriede Ginting, “Analisis Sentimen Twitter Menggunakan Machine Learning untuk Identifikasi Konten Negatif,” Adopsi Teknologi dan Sistem Informasi (ATASI), vol. 3, no. 1, pp. 64–73, 2024, doi: 10.30872/atasi.v3i1.1373.
A. Simanungkalit, J. P. P. Naibaho, and A. De Kweldju, “Analisis Sentimen Berbasis Aspek Pada Ulasan Aplikasi Shopee Menggunakan Algoritma Naïve Bayes,” Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, vol. 13, no. 1, p. 659, 2024, doi: 10.35889/jutisi.v13i1.1826.
J. Pranata, S. Agustian, and E. Haerani, “Penggunaan Model Bahasa indoBERT pada Metode Random Forest Untuk Klasifikasi Sentimen Dengan Dataset Terbatas,” vol. 6, no. 3, pp. 1668–1676, 2024, doi: 10.47065/bits.v6i3.6335.
Downloads
Published
Issue
Section
License
CC BY-SA 4.0
Attribution-ShareAlike 4.0
You are free to:
- Share — copy and redistribute the material in any medium or format for any purpose, even commercially.
- Adapt — remix, transform, and build upon the material for any purpose, even commercially.
- The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
- Attribution — You must give appropriate credit , provide a link to the license, and indicate if changes were made . You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
- ShareAlike — If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
- No additional restrictions — You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation .
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
