Analisis Sentimen pada Data Ulasan Twitter dengan Long-Short Term Memory

Handayani, Sharfina Febbi; Pratiwi, Riszki Wijayatun; Dairoh, Dairoh; Af'idah, Dwi Intan

doi:10.31544/jtera.v7.i1.2022.39-46

Cited by 5 publications

(10 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Dalam penelitian ini, pendekatan metodologi untuk menganalisis sentimen pengguna Twitter terhadap kemajuan Artificial Intelligence (AI) melibatkan penerapan algoritma Long Short-Term Memory (LSTM). Tujuan utamanya adalah mengevaluasi respons dan pandangan pengguna terhadap perkembangan teknologi AI di platform media sosial Twitter [4]. Selain itu, penelitian ini berusaha menjelajahi faktor-faktor yang dapat mempengaruhi perubahan sentimen pengguna seiring waktu.…”

Section: Pendahuluanunclassified

“…Twitter adalah salah satu platform media sosial yang memungkinkan pengguna untuk menyampaikan dan berbagi informasi tentang segala hal yang terjadi. Dengan API Twitter, Twitter juga memudahkan pengguna untuk mengakses data [4]. Setiap hari, pengguna Twitter mengirimkan posting, atau tweet, yang menyampaikan minat politik, ideologis, dan pendapat mereka serta fakta dan pendapat tentang produk atau layanan pemerintah yang mereka gunakan.…”

Section: Twitterunclassified

“…Ekstraksi primer mengubah data ke format standar, dan kemudian diubah menjadi bentuk vektor [9]. Vektor merupakan kata terdistribusi yang kuat, dapat digunakan untuk prediksi suatu kata dan terjemahan [4].…”

Section: Feature Extractionunclassified

“…LSTM memperkenalkan sebuah unit memori yang disebut "cell" dan menggunakan mekanisme gerbang, yang memberikan kemampuan sel untuk mengontrol aliran informasi [4]. Mekanisme ini terdiri dari tiga gate yaitu: Gambar 1.…”

Section: Long Short-term Memory (Lstm)unclassified

See 3 more Smart Citations

Analisis Sentimen Pengguna Twitter Terhadap Perkembangan Artificial Intelligence Dengan Penerapan Algoritma Long Short-Term Memory (Lstm)

Azrul,

Irma Purnamasari,

Ali

2024

jati

View full text Add to dashboard Cite

Dalam era transformasi teknologi yang pesat, perkembangan kecerdasan buatan (Artificial Intelligence atau AI) menjadi salah satu tonggak utama yang membentuk pandangan masyarakat global. Meskipun perkembangan Artificial Intelligence (AI) menghadirkan berbagai potensi positif, permasalahan yang muncul adalah kurangnya pemahaman mendalam terhadap pandangan dan sentimen pengguna Twitter terhadap evolusi teknologi ini. Tujuan penelitian ini adalah untuk menganalisis sentimen pengguna Twitter terhadap perkembangan AI dan mengevaluasi kinerja model LSTM dalam menginterpretasikan opini menggunakan algoritma Long Short-Term Memory (LSTM) dengan memanfaatkan metode Knowledge Discovery in Database (KDD). Hasil analisis sentimen dari 1513 tweet menunjukkan bahwa 999 di antaranya bersentimen positif dan 514 bersentimen negatif terhadap perkembangan AI. Melalui uji coba, model LSTM mencapai tingkat akurasi tertinggi sebesar 74,25% pada epoch 20 dengan 100 neuron pada lapisan LSTM. Pengujian dengan split data 80:20 menghasilkan kinerja terbaik dengan 1210 data training dan 303 data testing. Kesimpulan penelitian ini menegaskan bahwa penerapan LSTM pada data tweet AI memberikan kinerja yang baik, dengan rata-rata akurasi 74.25%, precision 80.29%, recall 81.09%, dan f1-score 80.69%. Hasil ini menunjukkan kemampuan model LSTM dalam efektif memahami perasaan pengguna Twitter terhadap perkembangan AI.

show abstract

Section: Pendahuluanunclassified

Section: Twitterunclassified

Section: Feature Extractionunclassified

Section: Long Short-term Memory (Lstm)unclassified

See 2 more Smart Citations

Analisis Sentimen Pengguna Twitter Terhadap Perkembangan Artificial Intelligence Dengan Penerapan Algoritma Long Short-Term Memory (Lstm)

Azrul,

Irma Purnamasari,

Ali

2024

jati

View full text Add to dashboard Cite

show abstract

“…Konversi Slangword proses mengubah kata tidak baku ke dalam kata baku, Tahap ini dilakukan dengan menggunakan bantuan kamus slangword dan padanan dalam kata baku [15]. Kata yang terdapat pada kamus slangword nantinya akan diubah menjadi kata baku.…”

Section: ) Konversi Slangword(indonesia)unclassified

Implementasi Electronic Data Processing Untuk meningkatkan Efektifitas dan Efisiensi Pada Text Mining

Nofiyani

Wulandari

2022

mib

View full text Add to dashboard Cite

Technological developments make the distribution of the amount of data more and more and continue to grow every day, these developments can be used to mine data which can later be processed into text/information needed for its use. Preprocessing is part of text mining where the process is divided into several stages, namely case folding, symbol removal, slangword conversion, stopword removal, stemming and tokenization. The news obtained is raw data from the xlm file from google alert which is then inputted into a system developed using the PHP programming language and mysql database. The data processing method in this research is Electronic Data Processing. The use of this system is expected to help the data preprocessing process where the process takes a long time, especially if a large sample of data is needed. The results of the study showed that a crawling process data processing information system for 20 data records only takes 0.0079004486401876 Mins and the data cleaning process or preprocessing for 88 data records only takes 0.012900729974111 Mins. In other words, data processing using the system is more effective and efficient for the next process.

show abstract

Sentiment Analysis of Tourist Attraction Review from TripAdvisor Using CNN and LSTM

Adrian Manurung

2023

ijoict

View full text Add to dashboard Cite

The tourism sector has an important role in driving the economy. To find out the positive or negative responses of tourists, one of them is grouping through sentiment analysis using deep learning. The data used the tourist attraction dataset from TripAdvisor from several categories such as water and amusement park, nature, and museum. The methods used in this research are convolutional neural network (CNN) and long short-term memory (LSTM). In addition, Word2vec for feature extraction and Synthetic Minority Over-sampling (SMOTE) for handling imbalanced datasets will be used for this research. There are several scenarios used to perform sentiment analysis, with early stopping and with hyperparameter tuning using random search. The highest performance obtained on water and amusement park, nature, and museum category data is 83%, 97%, and 88% respectively for accuracy and 91%, 92%, and 93% respectively for F1-score. For the use of sentiment analysis methods, CNN can perform with the highest F1-score and LSTM can perform with the highest accuracy.

show abstract

Analisis Sentimen pada Data Ulasan Twitter dengan Long-Short Term Memory

Cited by 5 publications

References 0 publications

Analisis Sentimen Pengguna Twitter Terhadap Perkembangan Artificial Intelligence Dengan Penerapan Algoritma Long Short-Term Memory (Lstm)

Analisis Sentimen Pengguna Twitter Terhadap Perkembangan Artificial Intelligence Dengan Penerapan Algoritma Long Short-Term Memory (Lstm)

Implementasi Electronic Data Processing Untuk meningkatkan Efektifitas dan Efisiensi Pada Text Mining

Sentiment Analysis of Tourist Attraction Review from TripAdvisor Using CNN and LSTM

Contact Info

Product

Resources

About