Hendry, Gregorius (2022) Analisis Sentimen Twitter terhadap Tanggapan Mengenai Keputusan Masa Psbb dengan Long-Short Term Memory (LSTM). Bachelor Thesis thesis, Universitas Multimedia Nusantara.
Abstract
Seiring dengan perkembangan media sosial di Indonesia, media sosial yang awalnya berfungsi sebagai tempat untuk berinteraksi sosial dengan teman maupun keluarga turut menjadi tempat untuk mengumpulkan informasi dan berita. Twitter merupakan layanan jejaring sosial berbasis teks yang digunakan oleh 196.7 juta masyarakat Indonesia. Salah satu konten yang berada di dalam Twitter adalah berita, dan Pembatasan Sosial Berskala Besar atau PSBB adalah salah satu contoh berita yang dimuat oleh Twitter. PSBB merupakan salah satu program dari pemerintah untuk mengurangi penyebaran virus COVID-19 di Indonesia dan dalam pengaplikasiannya terdapat berbagai macam respons dari seluruh lapisan masyarakat. Sentimen analisis dapat digunakan untuk menganalisa cuitan mengenai tanggapan dari pengaplikasian PSBB di Indonesia dan dapat dijadikan tolak ukur apakah program ini diterima oleh masyarakat. Klasifikasi sentimen yang digunakan adalah deep learning dengan model Long Short-Term Memory (LSTM). Dalam penelitian ini didapat akurasi sebesar 48.73% dan recall sebesar 50.65%
Item Type: | Thesis (Bachelor Thesis) |
---|---|
Keywords: | Deep Learning, LSTM, PSBB, Sentimen Analisis, Twitter |
Subjects: | 000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation 000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 006 Special Computer Methods > 006.7 Multimedia Systems, Blogs, Social Media, Web Application Frameworks |
Divisions: | Faculty of Engineering & Informatics > Informatics |
SWORD Depositor: | Administrator UMN Library |
Depositing User: | Administrator UMN Library |
Date Deposited: | 21 Nov 2022 07:52 |
Last Modified: | 24 Aug 2023 06:17 |
URI: | https://kc.umn.ac.id/id/eprint/19985 |
Actions (login required)
View Item |