KLASIFIKASI SENTIMEN PEMBELAJARAN DARING PADA TWEET PENGGUNA TWITTER MENGGUNAKAN ALGORITME BIDIRECTIONAL-LSTM

Maghfirani, Nida Inayah (2021) KLASIFIKASI SENTIMEN PEMBELAJARAN DARING PADA TWEET PENGGUNA TWITTER MENGGUNAKAN ALGORITME BIDIRECTIONAL-LSTM. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

Text 05211740000051-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2023. Download (3MB) | Request a copy

Abstract

Media sosial merupakan salah satu teknologi terkini yang memberikan dampak besar bagi kehidupan, khususnya untuk bersosialisasi karena tidak memiliki batas ruang dan waktu. Pandemi yang diakibatkan oleh virus Corona telah menjadi topik hangat di dunia internasional karena merebak dengan cepat di berbagai negara. Semenjak diumumkannya kasus positif Coronavirus Disease (COVID-19) yang pertama kali di Indonesia pada Februari 2020, penyebaran virus tersebut semakin tidak terkendali hingga ke seluruh penjuru negeri. Keberadaan virus ini tidak hanya mengganggu aktivitas bisnis saja namun aktivitas sosial seperti kegiatan belajar mengajar pun ikut terdampak. Semenjak bulan Maret 2020, Menteri Pendidikan dan Kebudayan (Mendikbud) Nadiem Makarim telah mendukung penuh keputusan para Pimpinan perguruan tinggi di seluruh wilayah yang positif terdampak COVID-19 untuk melaksanakan kegiatan pembelajaran secara daring. Keputusan ini memancing para pengguna sosial media khususnya Twitter untuk mengeluhkesal terhadap kegiatan pembelajaran daring. Opini-opini pengguna dalam Bahasa Indonesia ini akan diperoleh identifikasi sentimen dan aspek sehingga dapat diketahui faktor apa menghambat dan mendukung para pelajar dalam melaksanakan kegiatan secara daring. Oleh karena itu, diperlukan sebuah sistem yang mampu melakukan klasifikasi sentimen dan aspek menggunakan algoritme Bidirectional Long Short-Term Memory (Bi-LSTM). Berdasarkan hasil penelitian sebelumnya, penggunaan Bi-LSTM menghasilkan nilai akurasi yang baik. Pada penelitian ini, hasil akurasi sentimen mencapai 62.11% dan aspek (multiclass) mencapai 47.37% dan aspek (multilabel) 52.33% sehingga dilakukan resampling untuk menaikkan performa hingga 62.41% untuk sentimen, 47.52% untuk aspek (multiclass). Pengujian juga dilakukan dengan membandingkan hasil penggunaan algoritme LSTM yang dapat menurunkan akurasi aspek namun meningkatkan akurasi sentimen. Hasil pengujian dan eksplorasi data divisualisasikan menggunakan grafik bar dan wordcloud. Keluaran dari penelitian tugas akhir ini dapat menjadi pertimbangan dan keputusan untuk membuat langkah strategis pemerintah dan pihak perguruan tinggi dalam menangani kasus yang serupa di kemudian hari.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	Analisis Sentimen, Bidirectional Long Short-Term Memory, Word2Vec, Pembelajaran Daring, Tweet
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:	Nida Inayah Maghfirani
Date Deposited:	15 Aug 2021 02:28
Last Modified:	15 Aug 2021 02:28
URI:	http://repository.its.ac.id/id/eprint/86704

Actions (login required)

View Item