DETAIL KOLEKSI

Perbandingan kinerja bidirectional long short term memory menggunakan word2vec dan fastext pada analisa sentimen aplikasi mypertamina

Oleh : Arfa Maulana

Info Katalog

Penerbit : FTI - Usakti

Kota Terbit : Jakarta

Tahun Terbit : 2023

Pembimbing 1 : Dedi Sugiarto

Pembimbing 2 : Syandra Sari

Subyek : Labeling

Kata Kunci : Sentiment Analysis, BiLSTM

Status Posting : Published

Status : Tidak Lengkap

File Repositori
No. Nama File Hal. Link
1. 2023_TA_SIF_064001900039_Halaman-Judul.pdf
2. 2023_TA_SIF_064001900039_Lembar-Pengesahan.pdf
3. 2023_TA_SIF_064001900039_Bab-1_Pendahuluan.pdf
4. 2023_TA_SIF_064001900039_Bab-2_Tinjauan-Pustaka.pdf
5. 2023_TA_SIF_064001900039_Bab-3_Metodologi-Penelitian.pdf
6. 2023_TA_SIF_064001900039_Bab-4_Pembahasan.pdf
7. 2023_TA_SIF_064001900039_Bab-5_Kesimpulan.pdf
8. 2023_TA_SIF_064001900039_Daftar-Pustaka.pdf

A plikasi mypertamina merupakan salah satu produk teknologi informasi dariPT Pertamina (Persero), perusahaan energi terintegrasi milik negara Indonesia.Aplikasi ini dirancang untuk memberikan layanan dan informasi kepada penggunaterkait produk dan layanan yang disediakan oleh Pertamina, termasuk informasiterkait energi dan bahan bakar. Aplikasi mypertamina menuai banyak opini darimasyarakat yang telah menggunakan. Agar dapat meningkatkan kepercayaanPertamina membutuhkan masukan terkait aplikasi mypertamina. Penelitian sentimentanalisis ini bertujuan untuk mengidentifikasi opini masyarakat terkait aplikasimypertamina. Penelitian ini mengambil data dari twitter dengan kata kunci―mypertamina‖ sebanyak 20.000 data dalam bahasa Indonesia pada rentang tanggal26 Juni 2022 sampai 26 Juli 2022. Model sentimen analisis dibangun denganmenggunakan metode BiLSTM Untuk mengetahui efektifitas metode ekstrasi fiturpada text, pada penelitian ini akan dibandingkan metode Word2Vec dan FastText.Dalam evaluasi berbagai jenis embedding, model BiLSTM dijalankan denganembedding Word2Vec dan FastText. Hasil eksperimen menunjukkan bahwa modeldengan embedding Word2Vec menggunakan arsitektur CBOW dan dimensi 100memberikan hasil terbaik dalam analisis sentimen untuk aplikasi mypertamina. Metrikevaluasi seperti presisi (74,6%), recall (75,3%), F1-score (74,6%), dan akurasi (75%)digunakan untuk mengevaluasi performa model.

T he mypertamina application is one of the information technology productsdeveloped by PT Pertamina (Persero), an integrated state-owned energy company inIndonesia. The application is designed to provide services and information to usersregarding products and offerings provided by Pertamina, including energy and fuelrelatedinformation. The mypertamina application has garnered diverse opinions fromthe user community. To enhance Pertamina's credibility and gather insights toimprove the application, this sentiment analysis study aims to identify public opinionsconcerning the mypertamina application. This study gathers data from Twitter usingthe keyword "mypertamina," comprising 20,000 tweets in Indonesian language,collected between June 26, 2022, and July 26, 2022. A sentiment analysis model isconstructed using the BiLSTM method. To determine the effectiveness of featureextraction methods in text, this research will compare the Word2Vec and FastTextmethods. In evaluating different text embedding techniques, the BiLSTM model isimplemented using both Word2Vec and FastText embeddings. The experimentalresults indicate that the model employing Word2Vec embeddings with a CBOWarchitecture and 100 dimensions yields the best results in sentiment analysis for themypertamina application. Evaluation metrics such as precision (74.6%), recall(75.3%), F1-score (74.6%), and accuracy (75%) are employed to assess the model's

Koleksi Terkait (Kata Kunci = 23 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
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
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
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
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
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
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 ?