PENGARUH FUNGSI AKTIVASI PADA CONVOLUTIONAL NEURAL NETWORKS DALAM MENGKLASIFIKASIKAN SENTIMEN

Permadi, Rony (2021) PENGARUH FUNGSI AKTIVASI PADA CONVOLUTIONAL NEURAL NETWORKS DALAM MENGKLASIFIKASIKAN SENTIMEN. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (570kB)
	Text (BAB I) BAB I.pdf Download (162kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (720kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (165kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (78kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (137kB)
	Archive (SOURCE CODE) Source Code-17.11.1452-Rony Permadi - Rony Permadi.zip Restricted to Repository staff only Download (27MB)
	Text (PUBLIKASI) Publikasi-17.11.1452-Rony Permadi - Rony Permadi.pdf Restricted to Repository staff only Download (419kB)

Abstract

Era Big Data memberikan dampak melimpahnya data yang tersedia di internet, terutama pada data teks. Untuk mendapatkan informasi dari data tersebut, perlu dilakukan analisis sentimen untuk menganalisis opini orang dalam data tekstual (seperti ulasan produk, ulasan film, dan tweet). Analisis sentimen adalah sebuah proses yang memahami, mengekstraksi, dan mengolah data teks secara otomatis untuk menemukan jenis sentimen pada teks tersebut. Analisis sentimen berguna untuk memudahkan pengguna pada proses memahami sentiment sehingga dapat melakukan penentuan keputusan pada suatu objek. Penelitian ini melakukan analisis pengaruh fungsi aktivasi pada algoritma CNN dalam mengklasifikasikan sentimen bahasa Indonesia. Fungsi aktivasi yang digunakan adalah Relu, Tanh dan Sigmoid dengan tujuan untuk mengetahui pengaruh fungsi aktivasi pada tingkat akurasi dan mengetahui fungsi aktivasi yang paling berpengaruh dalam mencapai tingkat akurasi yang tinggi. Berdasarkan hasil penelitian, fungsi aktivasi memiliki pengaruh dalam menghasilkan akurasi dengan fungsi aktivasi Tanh menjadi yang terbaik dalam memperoleh akurasi di kelas 0 (negatif) dan kelas 2(positif) dengan akurasi 91,80% dan 96,22% dan berhenti pada epoch ke 13. Model cnn dengan fungsi aktivasi ReLU menjadi yang terbaik dalam memperoleh akurasi di kelas 1 (netral) dengan akurasi 96.32% dan berhenti pada epoch ke 14. Model cnn dengan fungsi aktivasi Sigmoid memperoleh akurasi lebih rendah dari model cnn dengan fungsi aktivasi Tanh dan ReLU dan berhenti pada epoch ke 27.

Actions (login required)

View Item