Art Original

Implementasi Metode Deep Learning Dan Machine Learning Untuk Analisis Sentimen Peringatan Darurat Pada Media Sosial Youtube

---

Analisis sentimen menjadi metode yang semakin penting dalam memahami opini publik terhadap isu-isu sosial dan politik. Penelitian ini bertujuan untuk mengevaluasi kinerja metode deep learning (LSTM dan CNN) serta machine learning (SVM dan Naïve Bayes) dalam melakukan analisis sentimen terhadap komentar YouTube mengenai isu Peringatan Darurat. Data diklasifikasikan menggunakan berbagai metode pelabelan, yaitu GPT-4o Mini Zero-Shot, Few-Shot, Lexicon-Based, dan TextBlob, dengan penerapan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi ketidakseimbangan kelas dalam dataset. Hasil penelitian menunjukkan bahwa metode pelabelan dataset serta penerapan SMOTE berpengaruh terhadap kinerja model. Akurasi terbaik untuk deep learning diperoleh dari model LSTM dengan metode pelabelan GPT-4o Mini Zero-Shot tanpa SMOTE (0.71), sementara akurasi terbaik untuk machine learning diperoleh dari model SVM dengan metode pelabelan GPT-4o Mini Zero-Shot dengan SMOTE (0.78). Secara keseluruhan, model machine learning (SVM dan Naïve Bayes) menunjukkan performa lebih baik dibandingkan model deep learning (LSTM dan CNN), dengan SVM mencapai akurasi tertinggi. Diharapkan penelitian selanjutnya dapat menggunakan dataset yang lebih besar dan beragam, mengeksplorasi teknik representasi fitur seperti Word2Vec atau BERT, serta mengembangkan aplikasi berbasis Flask untuk analisis sentimen secara real-time.

---

Availability

Detail Information

Call Number

-

Language

NPM

213510021

Publisher

Teknik Infomatika : Universitas Islam Riau., 2025

Keyword(s)

: Analisis Sentimen, Deep Learning, Machine Learni

Other Information

Petugas

furqan

Other version/related

File Attachment

Comments

---

You must be logged in to post a comment