IMPLEMENTASI PARALLEL ENSEMBLE LEARNING NEURAL NETWORK PADA SENTIMENT ANALISIS TEKS BAHASA INGGRIS

NUGROHO, AGUNG (2026) IMPLEMENTASI PARALLEL ENSEMBLE LEARNING NEURAL NETWORK PADA SENTIMENT ANALISIS TEKS BAHASA INGGRIS. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS)
23.55.1440 AGUNG NUGROHO.pdf - Published Version
Download (3MB)

Abstract

Analisis sentimen sangat penting untuk mendapatkan data terkait opini pelanggan terhadap produk dan layanan yang ditawarkan. Dalam proses analisis sentimen, kombinasi dan konfigurasi jaringan syaraf tiruan mempengaruhi keakuratan klasifikasi sentimen. Dalam penelitian terbaru yang dilakukan oleh peneliti, ditemukan bahwa algoritma Bi-LSTM, LSTM, GRU, dan BERT merupakan State of the Art dalam proses klasifikasi analisis sentimen. Namun, penulis melihat bahwa penelitian sebelumnya yang dilakukan oleh peneliti lain difokuskan untuk menemukan hasil klasifikasi terbaik dari beberapa algoritma yang digunakan. Peneliti melihat bahwa Word Embedding memiliki peran penting dalam keakuratan klasifikasi analisis sentimen, dan konfigurasi jaringan syaraf tiruan parallel ensemble learning neural network dapat mempengaruhi keakuratan klasifikasi analisis sentimen. Dengan adanya peluang penelitian ini, peneliti mencoba melakukan percobaan dalam dua tahap, tahap pertama dengan konfigurasi single learner neural network dengan berbagai kombinasi algoritma word embedding dan klasifikasi. Hasil tahap pertama yaitu algoritma Bi-LSTM dengan embedding Keras dengan konfigurasi single learner menghasilkan keakuratan terbaik sebesar 80,20%. Hasil tahap pertama ini menjadi baseline yang akan dijadikan acuan untuk kombinasi pada percobaan tahap kedua. Pada tahap kedua percobaan dilakukan penggabungan algoritma Bi-LSTM dengan algoritma lain secara paralel, seperti GRU, RNN, dan Simple RNN dengan embedding Keras. Ditemukan bahwa penggabungan 3 layer paralel GRU-BiLSTM-RNN dengan Embedding Keras menghasilkan akurasi tertinggi untuk analisis sentimen dari 3 kelas sebesar 88%.

Item Type:

Thesis (S2 - Magister)

Contributor: