Analisis Sentimen dengan Oversampling Data untuk Meningkatkan Akurasi Menggunakan Generative Adversarial Network

Alghifari, Ahmad Fauzan and Wijaya, Apta Rasendriya (2024) Analisis Sentimen dengan Oversampling Data untuk Meningkatkan Akurasi Menggunakan Generative Adversarial Network. Project Report. [s.n.], [s.l.]. (Unpublished)

Text 5025211091_5025211139-Project_Report.pdf - Accepted Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Dalam beberapa tahun terakhir, analisis sentimen melalui media sosial, khususnya Twitter, telah menjadi alat yang penting untuk memahami opini masyarakat terhadap berbagai isu sosial dan politik. Namun, tantangan utama dalam analisis sentimen adalah ketidakseimbangan data, di mana kelas minoritas sering kali tidak terrepresentasikan dengan baik. Penelitian ini bertujuan untuk mengembangkan model Generative Adversarial Network (GAN) dalam analisis sentimen teks berbahasa Indonesia yang diambil dari Twitter, dengan fokus pada topik-topik seperti kenaikan BBM, penyakit, dan pemilu. GAN digunakan untuk mengatasi ketidakseimbangan data dengan menghasilkan data sintetis melalui oversampling, yang meningkatkan akurasi model prediksi, terutama pada dataset BBM dan Penyakit, dengan peningkatan akurasi mencapai 90,24%. Hasil eksperimen menunjukkan bahwa penggunaan GAN dapat meningkatkan stabilitas dan performa model, namun kualitas dataset yang lebih baik diperlukan agar teks yang dihasilkan lebih koheren dan realistis. Penelitian ini menunjukkan efektivitas GAN sebagai metode augmentasi data dalam analisis sentimen bahasa Indonesia.

Item Type:	Monograph (Project Report)
Uncontrolled Keywords:	network
Subjects:	T Technology > T Technology (General) > T174 Technological forecasting T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T59.7 Human-machine systems.
Divisions:	Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Apta Rasendriya Wijaya
Date Deposited:	09 Jan 2025 08:42
Last Modified:	09 Jan 2025 08:42
URI:	http://repository.its.ac.id/id/eprint/116108

Actions (login required)

View Item