Evan, Evan (2020) Analisis Sentimen Level Aspek Teks Bahasa Indonesia pada Twitter Menggunakan Recurrent Attention Network on Memory (Studi Kasus: Politik). Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
05211640000114-Undergraduate_Thesis.pdf Download (2MB) | Preview |
Abstract
Topik politik merupakan topik yang krusial untuk dilakukan analisis sentimen. Melalui analisis sentimen pada topik politik di Indonesia, dapat diketahui tingkat kepuasan publik terhadap kondisi politik di Indonesia. Tingkat kepuasan publik merupakan hal yang sangat penting untuk diketahui bagi negara yang demokratis seperti Indonesia. Dengan diketahuinya tingkat kepuasan publik pada masyarakat Indonesia, pemerintah dapat melakukan evaluasi kinerja dan memperbaiki bidang-bidang yang menyebabkan turunnya tingkat kepuasan publik. Metode yang selama ini sering digunakan dalam melakukan analisis sentimen teks adalah Long Short-Term Memory (LSTM). Akan tetapi, metode tersebut masih diklaim memiliki kekurangan. Dengan penggunaan metode LSTM, maka dimungkinkan untuk terjadi kehilangan fitur yang digunakan untuk klasifikasi. Salah satu metode yang dapat mengatasi kekurangan tersebut adalah Recurrent Attention Network on Memory (RAM). Metode RAM menggunakan attention yang berfungsi agar model lebih memperhatikan konteks dari suatu target kalimat. Penggunaan attention dapat mempersatukan informasi yang penting sebagai fitur dari sebuah kalimat, dan kemudian membuat kesimpulan dari informasi tersebut. Penelitian ini akan membandingkan metode RAM dengan berbagai parameter dan metode berbasis recurrent neural network lainnya, seperti Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Selain itu, dilakukan pula teknik augmentasi data. Perbandingan tersebut bertujuan untuk mencari model dengan performa terbaik pada dataset yang telah diakuisisi. Penelitian dilakukan dengan menggunakan 3022 data tweet pada Twitter yang masing-masing memiliki sebuah label sentimen. Label sentimen yang digunakan dalam penelitian ini adalah negatif, netral, dan positif. Penelitian dibagi menjadi 2 subtask, yaitu Subtask A dan B. Pada Subtask A akan digunakan seluruh tweet yang memiliki ketiga label sentimen, sedangkan Subtask B tidak menggunakan label sentimen netral. Dari hasil uji coba analisis sentimen, dihasilkan bahwa model terbaik pada Subtask A adalah LSTM dengan test accuracy sebesar 73,03%. Untuk Subtask B, model terbaik adalah GRU dengan test accuracy mencapat 84,14%. Kata Kunci: Analisis Sentimen Level Aspek, Politik, Twitter, Recurrent Attention Network on Memory, Augmentasi Data
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Analisis Sentimen Level Aspek, Politik, Twitter, Recurrent Attention Network on Memory, Augmentasi Data Aspect Level Sentiment Analysis, Politics, Twitter, Recurrent Attention Network on Memory, Data Augmentation |
| Subjects: | T Technology > T Technology (General) > T57.5 Data Processing |
| Divisions: | Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis |
| Depositing User: | . Evan |
| Date Deposited: | 21 Aug 2020 07:11 |
| Last Modified: | 12 May 2023 03:13 |
| URI: | http://repository.its.ac.id/id/eprint/79149 |
Actions (login required)
 |
View Item |