DETEKSI EMOSI PADA MEDIA SOSIAL TWITTER MENGGUNAKAN LONG SHORT TERM MEMORY (LSTM) DAN FASTTEXT

Riza, M. Alfa (2021) DETEKSI EMOSI PADA MEDIA SOSIAL TWITTER MENGGUNAKAN LONG SHORT TERM MEMORY (LSTM) DAN FASTTEXT. UNSPECIFIED thesis, UPN “VETERAN” YOGYAKARTA.

Preview	Text ABSTRAK.pdf Download (17kB) | Preview
Preview	Text Cover.pdf Download (142kB) | Preview
Preview	Text DAFTAR ISI.pdf Download (80kB) | Preview
Preview	Text lembar pengesahan.pdf Download (612kB) | Preview
Preview	Text DAFTAR PUSTAKA.pdf Download (149kB) | Preview
	Text Skripsi-M.AlfaRiza-123170027.pdf Restricted to Repository staff only Download (10MB)

Abstract

Deteksi emosi penting diberbagai bidang seperti pendidikan, bisnis, rekrukmen karyawan. Teks
relatif lebih mudah digunakan untuk deteksi emosi. Model emosi yang sangat populer adalah model
emosi Ekman yang memiliki 6 label emosi yaitu bahagia, sedih, takut, jijik, marah, dan terkejut.
Saat ini media sosial menjadikan penggunanya cenderung berekspresi emosi melalui postingan
teks. Salah satu media sosial yang memiliki laju pertumbuhan pengguna tertinggi di indonesia
adalah twitter.
Penelitian ini menggunakan metode deep learning yaitu Long Short Term Memory (LSTM). LSTM
efektif untuk mengolah data sekuensial seperti teks, karena memiliki memory cell. Penelitian ini
menggunakan metode LSTM dengan word embedding fasttext. Penggunaan word embedding
fasttext dapat menangani masalah Out Of Vocabolary(OOV), dimana masalah ini tidak dapat
ditangani oleh word embedding word2vec dan word embedding glo-ve. Penelitian ini akan mencari
arsitektur terbaik dengan menguji parameter yaitu word embedding(word2vec, glo-ve, fasttext),
jumlah unit/neuron, dan dropout. Metodologi penelitian ini dimulai pengumpulan data daritwitter
dengan teknik web scraping, labelling data, proses preprocessing, pengujian word embedding,
inisialisasi dropout dan unit neuron, pengujian confusion matrix untuk mendapatkan accuracy,
precision, recall, f1-score.
Hasil penelitian ini menunjukkan bahwa word embedding fasttext memiliki kelebihan dapat
menangani masalah pada word embedding word2vec dan word embedding glo-ve, namun jika
diterapkan pada LSTM belum dapat meningkatkan accuracy, precision, recall, f1-score. Hasil
pengujian arsitektur LSTM dengan word embedding word2vec terbaik yaitu accuracy sebesar
77,011%, precision sebesar 78,623%, recall sebesar 77,011%, dan f1-score sebesar 77,262%. Hasil
pengujian arsitektur LSTM dengan word embedding glo-ve terbaik yaitu accuracy sebesar
74,712%, precision sebesar 76,263%, recall sebesar 74,712%, dan f1-score sebesar 74,987%. Hasil
pengujian arsitektur LSTM dengan word embedding fasttext terbaik yaitu accuracy sebesar
77,011%, precision sebesar 78,623%, recall sebesar 77,011%, dan f1-score sebesar 77,262%.
Berdasarkan pengujian word embedding, hasil arsitektur LSTM dengan word embedding word2vec
dan fasttext menghasilkan accuracy, precision, recall, dan f1-score terbaik.
Kata kunci : Deep Learning, Deteksi Emosi, LSTM, Fasttex

Item Type:	Thesis (UNSPECIFIED)
Uncontrolled Keywords:	Deep Learning, Deteksi Emosi, LSTM, Fasttex
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	08 Dec 2021 04:13
Last Modified:	02 Dec 2022 07:30
URI:	http://eprints.upnyk.ac.id/id/eprint/27245

Actions (login required)

View Item