Analisis Sentimen Lirik Lagu untuk Prediksi Popularitas Lagu dengan Algoritma BERT

Agatha, Hana (2023) Analisis Sentimen Lirik Lagu untuk Prediksi Popularitas Lagu dengan Algoritma BERT. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (945kB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (209kB) | Preview
Preview	PDF BAB_I.pdf Download (212kB) | Preview
Preview	PDF BAB_II.pdf Download (371kB) | Preview
Preview	PDF BAB_III.pdf Download (291kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (892kB)
Preview	PDF BAB_V.pdf Download (202kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)

Abstract

Persaingan di industri musik yang semakin ketat merugikan sebagian musisi. Para musisi perlu lebih memperhatikan faktor-faktor yang mempengaruhi popularitas suatu lagu, agar lagu mereka dapat menjadi terkenal dan mereka pun mendapat keuntungan. Salah satu faktor yang dapat mempengaruhi popularitas lagu adalah lirik lagu. Pengaruh lirik pada popularitas lagu dapat diteliti dengan analisis sentimen. Berdasarkan analisis sentimen pada lirik lagu, popularitas lagu dapat diprediksi. Dengan prediksi popularitas lagu, penulis lagu dapat mengevaluasi lagu buatannya, sehingga dapat menjadi terkenal. Adapun analisis sentimen merupakan studi komputasi yang mempelajari sentimen atau emosi dari suatu teks. Salah satu algoritma deep learning yang dapat digunakan untuk analisis sentimen adalah Bidirectional Encoder Representations from Transformers (BERT). Algoritma BERT merupakan algoritma yang unggul dalam hal analisis sentimen. Pada penelitian ini, suatu model BERT dikembangkan untuk keperluan prediksi popularitas lagu, berdasarkan analisis sentimen lirik lagu. Suatu lagu akan diprediksi kelas popularitasnya, berdasarkan hasil analisis sentimen pada lirik lagu tersebut. Model yang dikembangkan merupakan model yang sudah dilatih dengan data lagu berbahasa Inggris. Berdasarkan pengujian model, model yang menggunakan metode oversampling mencapai accuracy sebesar 87%, precision sebesar 88%, recall sebesar 87%, dan f1-score sebesar 87%. Model tersebut kemudian diimplementasikan dalam bentuk sebuah aplikasi web sederhana.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	analisis sentimen, bidirectional encoder representations from transformers, pembelajaran mesin, popularitas lagu
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 005 Computer Programming > 005.2 Programming for Specific Computers, Algorithm, HTML, PHP, java, C++
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	06 Jul 2023 09:53
Last Modified:	21 Aug 2023 02:02
URI:	https://kc.umn.ac.id/id/eprint/25774

Actions (login required)

View Item