PERBANDINGAN ALGORITMA DNN DAN LSTM UNTUK ANALISIS SENTIMEN LAYANAN TRANSPORTASI ONLINE DI INDONESIA MENGGUNAKAN DATA TWITTER

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.

Text (THESIS) 23.55.2543 - Jandri Tampubolon.pdf - Published Version Download (3MB)

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.

Actions (login required)

View Item