KLASIFIKASI SENTIMEN TWITTER MENGGUNAKAN LSTM

Authors

  • Firman Yuspriyadi Universitas Nusa Mandiri

DOI:

https://doi.org/10.46880/mtk.v9i1.1720

Keywords:

LSTM, Machine Learning, Twitter, Word2Vec

Abstract

Salah satu media sosial yang berkembang sangat pesat penggunanya adalah Twitter, jumlah pengguna twitter disebutkan terus meningkat 300.000 user setiap harinya. Para pengguna twitter mengirimkan twitter post (tweet) mengenai fakta dan opini produk atau layanan pemerintah yang mereka gunakan atau mengekspresikan pandangan politik, ideologis dan minat mereka. Tidak terkecuali juga mengirimkan tweet opini terkait pemimpin atau tokoh publik yang berpengaruh di negara ini. Dengan 55 juta tweet setiap harinya menjadikan twitter memiliki tingkat update yang tinggi dan menjadi gudang data yang sangat efisien untuk penelitian dibidang politik dan sosial, sehingga twitter merupakan tempat yang baik untuk melakukan opinion mining atau analisis sentimen dalam mengklasifikasikan tweet. Penelitian ini bertujuan untuk melakukan pengklasifikasian tweet berdasarkan sentimen positif, negatif dengan menggunakan metode LSTM. Dataset yang digunakan berasal dari https://github.com/riochr17/Analisis-Sentimen-ID. Berdasarkan hasil pengujian memperlihatkan bahwa metode LSTM memiliki hasil akurasi sebesar 0.539, F1 Score 0.7

References

Republika Online. Tersedia: https://www.republika.co.id/berita/r73bky368/jumlah-pengguna-harian-twitter-217-juta-orang

N. K. Chauhan and K. Singh, “A review on conventional machine learning vs deep learning,” Int. Conf. Comput. Power Commun. Technol. GUCON 2018, pp. 347–352, 2019.

P. Yohana, “Analisis Sentimen Vaksin Covid19 Menggunakan Naive Bayes,”, Skripsi, 2022.

M. Rizky, “Vaksin Covid-19 Menggunakan Metode Support Vector Machine Pada Media Sosial Twitter Covid-19”,Skripsi, 2021..

A. Arfan and L. ETP, “Perbandingan Algoritma Long Short-Term Memory dengan SVR Pada Prediksi Harga Saham di Indonesia,” Petir, vol. 13, no. 1, pp. 33–43, 2020,.

Y. Astari and S. W. Rozaqi, “Analisis Sentimen Multi-Class pada Sosial Media menggunakan metode Long Short-Term Memory ( LSTM ),” vol. 4, no. 1, pp. 8–12, 2021..

P. F. Muhammad, R. Kusumaningrum, and A. Wibowo, “Sentiment Analysis Using Word2vec and Long Short-Term Memory (LSTM)

P. F. Muhammad, R. Kusumaningrum, and A. Wibowo, “Sentiment Analysis Using Word2vec and Long Short-Term Memory (LSTM) for Indonesian Hotel Reviews,” Procedia Comput. Sci., vol. 179, pp. 728–735, 2021

Y. Xie, L. Le, Y. Zhou, and V. V. Raghavan, Deep Learning for Natural Language Processing, vol. 38. 2018

Downloads

Published

10-03-2013

How to Cite

[1]
F. Yuspriyadi, “KLASIFIKASI SENTIMEN TWITTER MENGGUNAKAN LSTM”, METHODIKA, vol. 9, no. 1, pp. 4–8, Mar. 2013.