Nala Adina, 4611416039 (2020) SENTIMEN ANALISIS MULTI-LABEL PADA UJARAN KEBENCIAN DAN UMPATAN DI TWITTER INDONESIA MENGGUNAKAN PENDEKATAN DEEP LEARNING. Under Graduates thesis, Universitas Negeri Semarang.

Preview

PDF (SENTIMEN ANALISIS MULTI-LABEL PADA UJARAN KEBENCIAN DAN UMPATAN DI TWITTER INDONESIA MENGGUNAKAN PENDEKATAN DEEP LEARNING) - Submitted Version Download (1MB) | Preview

Abstract

Nala Adina. 2020. Sentimen Analisis Multi-Label pada Ujaran Kebencian dan Umpatan di Twitter Indonesia Menggunakan Pendekatan Deep Learning. Skripsi, Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Semarang. Pembimbing Zaenal Abidin S.Si., M.Cs., Ph.D. Kata kunci: Analisi sentimen, deep learning, multi-label, ujaran kebencian, umpatan. Ujaran kebencian dan umpatan sangat banyak ditemui di dalam media sosial dan dapat diakses oleh hampir semua orang di Indonesia. Penggunaan umpatan dengan ujaran kebencian mampu menimbulkan emosi bagi lawan bicaranya dan berdampak mempercepat terjadinya konflik individual maupun sosial. Pada penelitian ini, akan dilakukan analisis sentimen berdasarkan dataset multi-label yang memiliki data sejumlah 13.169 data dan 12 kelas tentang ujaran kebencian dan umpatan di Twitter beserta target, kategori, dan level ujaran kebencian. Metode klasfikasi yang digunakan adalah metode Recurrent Neural Network Long Short Term Memory (RNN-LSTM) dan metode Convolutional Neural Network (CNN) dan penggunaan metode Word2Vec sebagai word embedding untuk peningkatan akurasi algoritma klasifikasi. Setelah dihitung nilai akurasinya menggunakan 10-cross validation, akurasi model RNN-LSTM mendapatkan rata – rata akurasi sebesar 67,22 %, sedangkan model CNN mendapatkan rata – rata akurasi sebesar 64,07 %. Akurasi yang didapat pada baseline model masih bisa ditingkatkan lagi apabila ditambah metode Word2Vec. Hasil akhir akurasi RNN-LSTM dengan Word2Vec mendapatkan rata – rata akurasi sebesar 73,94 % dan CNN dengan Word2Vec mendapatkan rata – rata akurasi sebesar 71,19 %. Dengan demikian penerapan Word2Vec sebagai word embedding dapat meningkatkan akurasi model RNN-LSTM sebesar 6,72% dan model CNN sebesar 7,12 %. Berdasarkan hasil akurasi yang didapat, metode RNN-LSTM dengan Word2Vec adalah yang terbaik karena mendapatkan hasil akurasi sebesar 73,94% dan penggunaan Word2Vec terbukti dapat meningkatkan akurasi pada kedua model.

Actions (login required)

View Item