Analisis Sentimen Menggunakan Metode Berbasis Long Short-Term Memory (LSTM) untuk Klasifikasi Tweet tentang Bantuan Langsung Tunai (BLT)

Yunarko, Bayu Ramadhan (2023) Analisis Sentimen Menggunakan Metode Berbasis Long Short-Term Memory (LSTM) untuk Klasifikasi Tweet tentang Bantuan Langsung Tunai (BLT). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 06111640000018-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (4MB) | Request a copy

Abstract

Bantuan Langsung Tunai (BLT) adalah program bantuan dari pemerintah untuk masyarakat yang kurang mampu dalam bentuk uang tunai. Program ini dimaksudkan untuk membantu masyarakat dalam menghadapi kenaikan harga pangan. Program BLT diselenggarakan kembali di tahun 2023. Namun ada perbedaan pendapat tentang program ini di kalangan masyarakat. Salah satu wadah masyarakat menyampaikan pendapatnya adalah melalui media sosial Twitter. Pada tugas akhir ini dilakukan analisis sentimen dengan mengklasifikasikan tweet yang berisikan tentang program BLT. Tweet diambil melalui proses crawling menggunakan kata kunci yang mewakili topik tentang BLT. Metode yang digunakan adalah metode berbasis Long Short Term Memory (LSTM). Ada 4 varian yang digunakan yaitu LSTM, Bidirectional LSTM, Convolutional LSTM, dan Attentive LSTM. Data tweet yang didapat merupakan data teks. Sehingga metode LSTM dipilih karena cocok dengan data sekuensial seperti data berupa teks. Proses pelabelan awal yang dilakukan pada penelitian tugas akhir ini menggunakan bantuan library TextBlob. Data tweet yang didapat sebanyak 34.798. Data yang sebelumnya telah melewati tahap praproses dibagi menjadi data latih dan data uji. Dari hasil pengujian klasifikasi pada data uji didapatkan nilai akurasi sebesar 94,42% pada metode LSTM, 97,59% pada metode Bidirectional LSTM, 97,78% pada metode Convolutional LSTM, dan 96,68% pada metode Attentive LSTM. Nilai akurasi terbaik didapatkan ketika melakukan pengujian klasifikasi menggunakan metode Convolutional LSTM pada data uji.
===============================================================================================================================
Bantuan Langsung Tunai (BLT) is a government aid program for financially disadvantaged communities in the form of cash. The program is intended to help the community cope with rising food prices. The BLT program is being reinstated in 2023. However, there are differing opinions about this program among the people. One community platform expresses its opinion through the social media platform Twitter. This final project conducts sentiment analysis by classifying tweets related to the BLT program. The tweets are collected through a crawling process using keywords that represent topics about BLT. The method used is based on Long Short-Term Memory (LSTM). Four variants are employed LSTM, Bidirectional LSTM, Convolutional LSTM, and Attentive LSTM. The tweet data obtained is textual data, making LSTM a suitable choice for sequential data like text. The initial labeling process in this research project is facilitated using the TextBlob library. A total of 34,798 tweets are collected. The preprocessed data is then divided into training and testing sets. From the classification on the testing data, accuracy values of 94.42% are achieved using the LSTM method, 97.59% using the Bidirectional LSTM method, 97.78% using the Convolutional LSTM method, and 96.68% using the Attentive LSTM method. The highest accuracy is obtained when performing the classification using the Convolutional LSTM method on the testing data.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	BLT (Bantuan Langsung Tunai), Twitter, Analisis Sentimen, Long Short Term Memory (LSTM),
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	BAYU RAMADHAN YUNARKO
Date Deposited:	15 Aug 2023 06:57
Last Modified:	15 Aug 2023 06:57
URI:	http://repository.its.ac.id/id/eprint/103084

Actions (login required)

View Item