eprintid: 31746
rev_number: 9
eprint_status: archive
userid: 12
dir: disk0/00/03/17/46
datestamp: 2026-06-26 03:49:05
lastmod: 2026-06-26 03:49:05
status_changed: 2026-06-26 03:49:05
type: thesis
metadata_visibility: show
creators_name: Tampubolon, Jandri
creators_nim: 23.55.2543
contributors_name: -, Kusrini
corp_creators: Universitas AMIKOM Yogyakarta
title: PERBANDINGAN ALGORITMA DNN DAN LSTM UNTUK
ANALISIS SENTIMEN LAYANAN TRANSPORTASI ONLINE
DI INDONESIA MENGGUNAKAN DATA TWITTER
ispublished: pub
subjects: 000.000.000A
subjects: 000.000.003
divisions: PJJ
full_text_status: public
keywords: Analisis sentimen, Twitter, transportasi online, IndoBERT, DNN,
LSTM, resampling, kamus slang, K-Fold.
abstract: Penelitian ini membandingkan dua arsitektur pembelajaran mendalam.
Deep Neural Network (DNN) dan Long Short-Term Memory (LSTM), untuk
analisis sentimen tweet berbahasa Indonesia terkait layanan transportasi online.
Data primer berjumlah ±10.000 tweet (2023) dihimpun melalui API Twitter dengan
kata kunci merek layanan, kemudian direpresentasikan sebagai embedding
IndoBERT untuk masukan ke kedua model.
Pelabelan awal dilakukan secara otomatis menggunakan model IndoBERT
dan divalidasi pada 200 sampel acak: 185 label sesuai (akurasi 92,5%) dengan
Cohen’s Kappa 0,89, menunjukkan reliabilitas “sangat tinggi” untuk keperluan
pelatihan.
Eksperimen dirancang dalam empat skenario (tanpa/ dengan resampling dan tanpa/
dengan kamus slang) dan dievaluasi menggunakan K-Fold Cross-Validation (k=3
dan k=5) serta metrik akurasi, F1-score, MAE, dan waktu pelatihan. 
Hasil menunjukkan LSTM secara konsisten mengungguli DNN dalam
akurasi dan F1-score, terutama pada skenario dengan resampling dan kamus slang
(mencapai akurasi ~93% dan F1-score ~93%, MAE ~0,088). Namun, LSTM
memerlukan waktu pelatihan lebih lama (~475 detik) dibandingkan DNN (~56
detik). Resampling terbukti memberikan peningkatan performa paling signifikan,
sedangkan penggunaan kamus slang memberikan peningkatan tambahan yang
bersifat pendukung. Analisis berdasarkan panjang teks menunjukkan DNN lebih
stabil untuk tweet ≤10 kata, sementara LSTM unggul pada tweet >10 kata, yang
mempertegas kelebihan LSTM dalam menangkap dependensi urutan pada teks
panjang. Secara keseluruhan, LSTM direkomendasikan sebagai arsitektur utama
untuk analisis sentimen pengguna layanan transportasi online berbahasa Indonesia,
dengan DNN sebagai alternatif ketika efisiensi komputasi diutamakan.
Berdasarkan keseluruhan temuan, penelitian ini merekomendasikan LSTM
sebagai arsitektur utama untuk analisis sentimen layanan transportasi online
berbahasa Indonesia, dengan DNN sebagai alternatif saat efisiensi komputasi
menjadi prioritas.
date: 2025-11-10
date_type: published
institution: Universitas AMIKOM Yogyakarta
department: Pascasarjana Magister Informatika
thesis_type: masters
thesis_name: tesis
citation:   Tampubolon, Jandri  (2025) PERBANDINGAN ALGORITMA DNN DAN LSTM UNTUK ANALISIS SENTIMEN LAYANAN TRANSPORTASI ONLINE DI INDONESIA MENGGUNAKAN DATA TWITTER.  S2 - Magister thesis, Universitas AMIKOM Yogyakarta.   
document_url: https://eprints.amikom.ac.id/id/eprint/31746/1/23.55.2543%20-%20Jandri%20Tampubolon.pdf