DETAIL KOLEKSI

Perbandingan kinerja metode analisis sentimen dengan bidirectional long short-term memory (bilstm) menggunakan ekstraksi fitur bag of word dan tf-idf mengenai aplikasi peduli lindungi di twitter

Oleh : Sekar Zalfa Ardhani

Info Katalog

Penerbit : FTI - Usakti

Kota Terbit : Jakarta

Tahun Terbit : 2023

Pembimbing 1 : Syaifudin

Pembimbing 2 : BintiSolihah

Subyek : Instructional systems;Support vector machines

Kata Kunci : sentiment analysis, pedulilindungi, bilstm, tf-idf, bag of words

Status Posting : Published

Status : Tidak Lengkap

File Repositori
No. Nama File Hal. Link
1. 2023_TA_SIF_064001900027_Halaman-Judul.pdf 11
2. 2019_TA_SIF_064001900027_Lembar-Pengesahan.pdf 3
3. 2023_TA_SIF_064001900027_Bab-1_Pendahuluan.pdf 3
4. 2023_TA_SIF_064001900027_Bab-2_Tinjauan-Pustaka.pdf 11
5. 2023_TA_SIF_064001900027_Bab-3_Metodologi-Penelitian.pdf 3
6. 2023_TA_TIF_064001900027_Bab-4_Analisis-dan-Pembahasan.bak.pdf 32
7. 2023_TA_SIF_064001900027_Bab-5_Kesimpulan.pdf 1
8. 2023_TA_SIF_064001900027_Daftar-Pustaka.pdf 3

A Aplikasi PeduliLindungi adalah aplikasi yang dibuat pemerintah bersama Kementrian BUMN dan juga Kementrian Komunikasi dan Informatika yang bertujuan untuk membantu pemerintah melakukan tracking untuk mengetahui alur penyebaran COVID-19. Saking banyaknya masyarakat yang menggunakan aplikasi PeduliLindungi banyak pula opini masyarakat terkait aplikasi PeduliLindungi ini. Agar dapat meningkatkan layanan pada aplikasi PeduliLindungi pemerintah membutuhkan masukan dan opini masyarakat terkait aplikasi PeduliLindungi ini. Penelitian analisis sentimen ini bertujuan dengan harapan untuk mengidentifikasi opini masyarakat terhadap aplikasi PeduliLindungi. Data yang dihasilkan diambil dari kurun waktu 2 Januari 2021 – 18 Juni 2022 dan data yang diambil dibatasi sebanyak 10.000. Berdasarkan hasil penelitian yang sudah dilakukan didapatkan hasil akurasi menggunakan ekstraksi fitur Bag of Word (BOW) sebesar 0.66, sedangkan hasil akurasi menggunakan TF-IDF sebesar 0.64. Berdasarkan hasil akurasi yang didapatkan dari 2 ekstraksi fitur yang berbeda , yang menghasilkan akurasi lebih besar yaitu BOW.

T The PeduliLindungi application is an application created by the government together with the Ministry of BUMN and also the Ministry of Communication and Information Technology which aims to help the government track the flow of the spread of COVID-19. Because so many people use the PeduliLindungi application, there are also many public opinions regarding the PeduliLindungi application. In order to improve services on the PeduliLindungi application, the government needs public input and opinions regarding the PeduliLindungi application. This sentiment analysis research aims to identify public opinion on the PeduliLindungi application. The resulting data is taken from the period January 2, 2021 - June 18, 2022 and the data taken is limited to 10,000. Based on the results of the research that has been done, the accuracy result using Bag of Word (BOW) feature extraction is 0.66, while the accuracy result using TF-IDF is 0.64. Based on the accuracy results obtained from 2 different feature extractions, the one that produces greater accuracy is BOW.

Koleksi Terkait (Kata Kunci = 25 Judul)

Analisis sentimen tentang vaksin sinovac di twitter menggunakan naïve bayes dan k-nearest neighbors 5.0
FTI - Usakti
Analisis sentimen dan pemodelan topik terhadap berita kandidat dalam pemilihan umum 2024 di media sosial twitter menggunakan metode latent dirichlet allocation(lda)
FTI - Usakti
Pengaruh undersampling dan oversampling dalam perbandingan analisis sentimen ulasan pengunjung objek wisata Waterbom Bali pada media sosial tripadvisor menggunakan klasifikasi random forest dan Naïve Bayes
FTI - Usakti
Analisis sentimen review costumer terhadap layanan ekspedisi J& T Express dan JNE menggunakan metode naive bayes dan support vector machine
FTI - Usakti
Analisis sentimen aplikasi pintarnya di Google Play Store menggunakan metode CNN dan ekstraksi fitur BERT 5.0
FTI - Usakti
Perbandingan metode ekstraksi fitur menggunakan tf-idf dan word embedding llama3 dengan classifier svm untuk analisis sentimen aplikasi mytelkomsel di google play store
FTI - Usakti
Analisis sentimen pemindahan ibu kota negara indonesia menggunakan metode support vector machine pada media sosial x
FTI - Usakti
Analisis sentimen virtual youtuber pada sosial media twitter menggunakan metode long short-term memory
FTI - Usakti
Sentiment analysis dari twitter terhadap organisasi menggunakan R dengan Metode Support Vector Machine dan Swot Analysis 5.0
FTI - Usakti
analisis sentimen twitter mengenai aplikasi pedulil indungi menggunakan Metode Valence Aware Dictionary For Sentiment Reasoning
FTI - Usakti
Analisis sentimen mengenai undang - undang tpks pada media sosial twitter menggunakan metode support vector machine dan k-nearest neighbor
FTI - Usakti
Analisis sentimen dan topic modeling mengenai uu ite pada media sosial twitter bahasa Indonesia
FTI - Usakti
Pengembangan model sentimen analisis aplikasi bibit pada google playstore menggunakan metode naïve bayes dengan seleksi fitur chi square
FTI - Usakti
Pemodelan topik untuk mengetahui topik utama pembicaraan di media sosial twittertentang piala dunia 2022 menggunakan metode latent dirichlet allocation (lda)
FTI - Usakti
Perbandingan kinerja tf-idf dan word2vec dengan menggunakan bidirectional long short term memory (bilstm) pada sentimen analisis game pubg
FTI - Usakti
Analisis sentimen terhadap film horor indonesia menggunakan naive bayes classifier pada media sosial twitter Bahasa Indonesia
FTI - Usakti
Analisis sentimen dan pemodelan topik ulasan pengunjung objek wisata pulau bali pada situs tripadvisor menggunakan metode lexicon-based dan latent dirichlet allocation (lda)
FTI - Usakti
Analisis sentimen twitter mengenai aplikasi pedulilindungi menggunakan metode valence aware dictionary for sentiment reasoning
FTI - Usakti
Analisis sentimen subsidi Bahan Bakar Minyak (BBM) di twitter menggunakan support vector machine
FTI - Usakti
Perbandingan kinerja bidirectional long short term memory menggunakan word2vec dan fastext pada analisa sentimen aplikasi mypertamina
FTI - Usakti
Analisis sentimen kandidat calon Presiden Indonesia 2024 pada platform media sosialYouTube menggunakan metode support vector machine
FTI - Usakti
Analisis sentimen ulasan di google play mengenai aplikasi layanan streaming vidio dengan menggunakan metode naive bayes classifier dan ekstraksi fitur tf-idf
FTI - Usakti
Analisis sentimen kepuasan pelanggan terhadaplayanan gardu tol otomatis (gto) ruas jakartacikampekdengan data twitter menggunakan metode naïve bayes classifier
FTI - Usakti
Analisis sentimen dari twitter terhadap layanan e-sim oleh smartfren dengan metode naïve bayes classifier
FTI - Usakti
Perbandingan kinerja analisis sentimen twitter dengan fasttext svm dan tf-idf svm studi kasus pada motor listrik
FTI - Usakti
Bagaimana Anda menilai Koleksi ini ?