<> "The repository administrator has not yet configured an RDF license."^^ . <> . . . "PERBANDINGAN ALGORITMA DNN DAN LSTM UNTUK\r\nANALISIS SENTIMEN LAYANAN TRANSPORTASI ONLINE\r\nDI INDONESIA MENGGUNAKAN DATA TWITTER"^^ . "Penelitian ini membandingkan dua arsitektur pembelajaran mendalam.\r\nDeep Neural Network (DNN) dan Long Short-Term Memory (LSTM), untuk\r\nanalisis sentimen tweet berbahasa Indonesia terkait layanan transportasi online.\r\nData primer berjumlah ±10.000 tweet (2023) dihimpun melalui API Twitter dengan\r\nkata kunci merek layanan, kemudian direpresentasikan sebagai embedding\r\nIndoBERT untuk masukan ke kedua model.\r\nPelabelan awal dilakukan secara otomatis menggunakan model IndoBERT\r\ndan divalidasi pada 200 sampel acak: 185 label sesuai (akurasi 92,5%) dengan\r\nCohen’s Kappa 0,89, menunjukkan reliabilitas “sangat tinggi” untuk keperluan\r\npelatihan.\r\nEksperimen dirancang dalam empat skenario (tanpa/ dengan resampling dan tanpa/\r\ndengan kamus slang) dan dievaluasi menggunakan K-Fold Cross-Validation (k=3\r\ndan k=5) serta metrik akurasi, F1-score, MAE, dan waktu pelatihan. \r\nHasil menunjukkan LSTM secara konsisten mengungguli DNN dalam\r\nakurasi dan F1-score, terutama pada skenario dengan resampling dan kamus slang\r\n(mencapai akurasi ~93% dan F1-score ~93%, MAE ~0,088). Namun, LSTM\r\nmemerlukan waktu pelatihan lebih lama (~475 detik) dibandingkan DNN (~56\r\ndetik). Resampling terbukti memberikan peningkatan performa paling signifikan,\r\nsedangkan penggunaan kamus slang memberikan peningkatan tambahan yang\r\nbersifat pendukung. Analisis berdasarkan panjang teks menunjukkan DNN lebih\r\nstabil untuk tweet ≤10 kata, sementara LSTM unggul pada tweet >10 kata, yang\r\nmempertegas kelebihan LSTM dalam menangkap dependensi urutan pada teks\r\npanjang. Secara keseluruhan, LSTM direkomendasikan sebagai arsitektur utama\r\nuntuk analisis sentimen pengguna layanan transportasi online berbahasa Indonesia,\r\ndengan DNN sebagai alternatif ketika efisiensi komputasi diutamakan.\r\nBerdasarkan keseluruhan temuan, penelitian ini merekomendasikan LSTM\r\nsebagai arsitektur utama untuk analisis sentimen layanan transportasi online\r\nberbahasa Indonesia, dengan DNN sebagai alternatif saat efisiensi komputasi\r\nmenjadi prioritas."^^ . "2025-11-10" . . . "Universitas AMIKOM Yogyakarta"^^ . . . "Pascasarjana Magister Informatika, Universitas AMIKOM Yogyakarta"^^ . . . . . . . . <> . . "Jandri"^^ . "Tampubolon"^^ . "Jandri Tampubolon"^^ . . "Kusrini"^^ . "-"^^ . "Kusrini -"^^ . . "Universitas AMIKOM Yogyakarta"^^ . . . . . . . "PERBANDINGAN ALGORITMA DNN DAN LSTM UNTUK\r\nANALISIS SENTIMEN LAYANAN TRANSPORTASI ONLINE\r\nDI INDONESIA MENGGUNAKAN DATA TWITTER (Text)"^^ . . . . . "23.55.2543 - Jandri Tampubolon.pdf"^^ . . "HTML Summary of #31746 \n\nPERBANDINGAN ALGORITMA DNN DAN LSTM UNTUK \nANALISIS SENTIMEN LAYANAN TRANSPORTASI ONLINE \nDI INDONESIA MENGGUNAKAN DATA TWITTER\n\n" . "text/html" . . . "000 Ilmu komputer, informasi dan pekerjaan umum"@en . . . "003 Sistem-sistem"@en . .