Widiastuti, Luh Putu Gayatri (2021) Analisis Klasifikasi dan Visualisasi Tweet Terkait Covid-19 Menggunakan Metode Convolutional Neural Network. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
05211740000040-Undergraduate_Thesis.pdf - Accepted Version Download (5MB) | Preview |
Abstract
Wabah COVID-19 yang mulai ramai sejak awal 2020 lalu masih terasa dampaknya dalam kehidupan masyarakat hingga saat ini. Tidak hanya Indonesia, seluruh dunia dipaksa untuk beradaptasi dengan normal baru akibat pembatasan aktivitas di luar rumah atau penerapan bentuk-bentuk larangan bepergian yang ditetapkan oleh pemerintah. COVID-19 membawa banyak perubahan dalam berbagai aspek kehidupan manusia. Penulis merasa perlu untuk mengetahui aspek yang menjadi kecemasan masyarakat. Namun, sudah ada penelitian sebelumnya yang berhasil mengklasterisasi fenomena yang terjadi di Twitter selama masa krisis COVID-19 menjadi 8 kategori tema percakapan Tweet. Berangkat dari situ, penelitian ini akan mengembangkan model klasifikasi Tweet untuk menghasilkan analisis dan visualisasi informasi. Klasifikasi akan dilakukan berdasarkan 8 kategori yang telah dihasilkan dari penelitian sebelumnya. Hasil klasifikasi Tweet akan dianalisis jumlahnya, divisualisasikan, dan dibuatkan dashboard. Penelitian ini menghasilkan 2 buah model CNN yang masing-masing dapat memprediksi Tweet berbahasa Indonesia dan Inggris, serta sebuah dashboard yang memuat 6 bentuk visualisasi. Model untuk bahasa Indonesia memiliki akurasi terbaik senilai 87,62% dengan skor rata-rata makro f1 senilai 0,6275 yang diperoleh dari 100 epoch dan learning rate 0,9. Sedangkan model untuk bahasa Inggris memiliki akurasi sebesar 87,91% dengan rata-rata makro nilai f1 sebesar 0,685 yang diperoleh dari 100 epoch dan learning rate 0,25. Dashboard yang dihasilkan dari penelitian ini dapat diubah berdasarkan 2 filter: bahasa dan rentang waktu.
=====================================================================================================
The COVID-19 outbreak, which started in early 2020, is still affecting people's lives. The whole world, including Indonesia, is currently forced to adapt to the new normal due to outdoor activity restrictions known as lockdown. COVID-19 has brought many changes in various aspects of human life. The author feels the need to know the reason for public anxiety. However, a previous study has succeeded in clustering phenomena that occur on Twitter during the COVID-19 crisis into eight categories of Tweet conversation themes. This research will develop a Tweet classification model to generate analysis and visualization of information. Classification will be carried out based on eight categories generated from previous research. The results of the Tweet classification will be analyzed in number and visualized into a dashboard. This research generates 2 CNN models, each of which can predict Indonesian and English Tweets. Also, a dashboard that contains six visualizations. The model for Indonesian has the best accuracy of 87.62% with an f1-score macro average of 0.6275, obtained from 100 epochs and a learning rate of 0.9. While the English model has an accuracy of 87.91% and an f1-score macro average of 0.685, obtained from 100 epochs and a learning rate of 0.25. The interactive dashboard generated from this research is on two filters: language and time range.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Pengolahan Bahasa Alami, COVID-19, Tweet, Convolutional Neural Network (CNN), Klasifikasi Teks Multi-Label, Visualisasi Natural Language Processing, COVID-19, Tweet, CNN, Multi-label Text Classification, Visualization |
| Subjects: | Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. T Technology > T Technology (General) > T385 Visualization--Technique |
| Divisions: | Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis |
| Depositing User: | Luh Putu Gayatri Widiastuti |
| Date Deposited: | 22 Aug 2021 03:06 |
| Last Modified: | 30 Oct 2024 03:19 |
| URI: | http://repository.its.ac.id/id/eprint/88666 |
Actions (login required)
 |
View Item |