PENERAPAN CONVOLUTIONAL NEURAL NETWORK SATU DIMENSI UNTUK ANALISIS SENTIMEN PADA TWEETS BERBAHASA SUNDA

LIBRIANA, DAFFA NABIL (2024) PENERAPAN CONVOLUTIONAL NEURAL NETWORK SATU DIMENSI UNTUK ANALISIS SENTIMEN PADA TWEETS BERBAHASA SUNDA. Other thesis, UPN "Veteran" Yogyakarta.

	Text SKRIPSI FULL_DAFFA NABIL LIBRIANA_123190085.pdf Restricted to Repository staff only Download (4MB)
	Text COVER.pdf Download (306kB)
	Text ABSTRAK.pdf Download (340kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (243kB)
	Text PENGESAHAN PENGUJI.pdf Download (259kB)
	Text DAFTAR ISI.pdf Download (645kB)
	Text DAFTAR PUSTAKA.pdf Download (295kB)

Abstract

Analisis sentimen pada media sosial memiliki peranan penting dalam memantau
komunikasi di masyarakat, khususnya untuk mendeteksi sentimen negatif yang dapat
memicu konflik atau permasalahan sosial lainnya. Namun, analisis sentimen pada bahasa
daerah seperti bahasa Sunda masih menjadi tantangan karena keterbatasan sumber daya dan
metode yang tersedia. Penelitian ini bertujuan untuk mengembangkan model Convolutional
Neural Network (CNN) satu dimensi untuk melakukan analisis sentimen pada tweets
berbahasa Sunda. Metode CNN dipilih karena kemampuannya dalam mengekstraksi fitur
dan mencapai akurasi yang tinggi pada tugas pemrosesan bahasa alami.
Penelitian ini menggunakan dataset tweets berbahasa Sunda yang terdiri dari 1487
data, dengan pembagian 1129 data untuk pelatihan, 283 data untuk validasi, dan 73 data
untuk pengujian. Dua variasi model CNN dengan 1 layer konvolusi dan 2 layer konvolusi
diuji dengan jumlah epoch yang bervariasi, yaitu 5, 10, dan 15. Hasil pengujian
menunjukkan bahwa model dengan 1 layer konvolusi dan 15 epoch mencapai akurasi
tertinggi sebesar 98,75%. Akurasi ini jauh lebih tinggi dibandingkan dengan metode
machine learning tradisional seperti Naive Bayes Classifier dan SVM yang hanya mencapai
78,48% dan 95% pada penelitian sebelumnya.
Penelitian ini berkontribusi dalam pengembangan metode analisis sentimen yang
efektif untuk bahasa daerah, khususnya bahasa Sunda. Hasil yang diperoleh menunjukkan
potensi besar dari CNN dalam membantu memantau komunikasi negatif di media sosial dan
memfasilitasi upaya pencegahan konflik sosial di masyarakat.
Kata Kunci: Analisis Sentimen, Convolutional Neural Network, Tweets Berbahasa Sunda,
Pemrosesan Bahasa Alami.
vii
ABSTRACT
This research aims to develop a one-dimensional Convolutional Neural Network
(CNN) model to perform sentiment analysis on Sundanese tweets. The CNN method was
chosen due to its ability to extract features and achieve high accuracy in natural language
processing tasks. The dataset used consists of 1487 Sundanese tweets data, with 1129 data
for training, 283 data for validation, and 73 data for testing.
Two variations of the CNN model were tested, namely with 1 convolution layer and
2 convolution layers, with varying number of epochs (5, 10, and 15). The test results showed
that the model with 1 convolutional layer and 15 epochs achieved the highest accuracy of
98.75%. This accuracy is higher than that of traditional machine learning methods such as
Naive Bayes Classifier and SVM which only reached 78.48% and 95% in previous studies.
This research makes an important contribution to the development of effective
sentiment analysis methods for regional languages, especially Sundanese. The results
obtained show the great potential of CNN in helping to monitor negative communications
on social media and facilitating efforts to prevent social conflict in the community.
Keywords: Sentiment Analysis, Convolutional Neural Network, Sundanese Tweets, Natural
Language Processing.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Analisis Sentimen, Convolutional Neural Network, Tweets Berbahasa Sunda, Pemrosesan Bahasa Alami
Subjects:	T Technology > TA Engineering (General). Civil engineering (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md.SI Indah Lestari Wulan Aji
Date Deposited:	19 Jun 2024 07:29
Last Modified:	19 Jun 2024 07:29
URI:	http://eprints.upnyk.ac.id/id/eprint/39798

Actions (login required)

View Item