Evaluasi Akurasi Model Deep Learning dan Machine Learning dalam Analisis Sentimen pada Dataset Chat Twitter

Megananda, Graidy and Maulana, Fadel Pramaputra (2023) Evaluasi Akurasi Model Deep Learning dan Machine Learning dalam Analisis Sentimen pada Dataset Chat Twitter. Project Report. [s.n.], [s.l.]. (Unpublished)

Text 5025201260_5025201188-Project_Report.pdf - Accepted Version Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Laporan ini bertujuan untuk mengevaluasi akurasi model dalam analisis sentimen pada dataset chat Twitter menggunakan pendekatan deep learning dan machine learning. Dua skenario eksperimen dilakukan: pertama, untuk mengevaluasi kinerja model machine learning pada dataset A dan menyeleksi model dengan kinerja terbaik; kedua, untuk membandingkan kinerja model machine learning terbaik dengan model Long Short-Term Memory (LSTM) pada dataset B dan C, kemudian menentukan model terbaik antara keduanya.Pada dataset A, model Support Vector Machine (SVM) dengan kernel RBF menunjukkan akurasi yang lebih stabil dibandingkan model lain, dengan rata-rata 56.41%. Hasil eksperimen pada dataset B menunjukkan bahwa model SVM tetap unggul dengan akurasi 60.69%, sedangkan pada dataset C, model LSTM Bidirectional tanpa dropout layer dan parameter dropout serta kompleksitas 32 mencapai akurasi tertinggi sebesar 51.52%.Didapatkan kesimpulan bahwa, SVM adalah metode terbaik untuk dataset dengan konteks tunggal, sementara LSTM Bidirectional lebih efektif untuk dataset dengan konteks ganda. Hasil ini memberikan panduan dalam pemilihan metode klasifikasi berdasarkan karakteristik dataset dalam analisis sentimen pada platform Twitter.

Item Type:	Monograph (Project Report)
Uncontrolled Keywords:	Analisis Sentimen, Twitter, Machine Learning, Deep Learning, Support Vector Machine (SVM), Long Short-Term Memory (LSTM), Dataset Konteks Ganda, Dataset Konteks Tunggal
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Fadel Pramaputra Maulana
Date Deposited:	02 Feb 2024 02:45
Last Modified:	02 Feb 2024 02:45
URI:	http://repository.its.ac.id/id/eprint/105940

Actions (login required)

View Item