ANALISIS SENTIMEN DATA TWITTER DENGAN METODE DEEP LEARNING MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK PADA PILPRES 2019

WIBOWO, BAYU ADI (2020) ANALISIS SENTIMEN DATA TWITTER DENGAN METODE DEEP LEARNING MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK PADA PILPRES 2019. S1 thesis, Universitas Mercu Buana Jakarta.

Preview	Text (HAL COVER) 01 Cover.pdf Download (910kB) | Preview
	Text (BAB I) 02 Bab 1.pdf Restricted to Registered users only Download (122kB)
	Text (BAB II) 03 Bab 2.pdf Restricted to Registered users only Download (223kB)
	Text (BAB III) 04 Bab 3.pdf Restricted to Registered users only Download (122kB)
	Text (BAB IV) 05 Bab 4.pdf Restricted to Registered users only Download (76kB)
	Text (BAB V) 06 Bab 5.pdf Restricted to Registered users only Download (114kB)
	Text (BAB VI) 07 Bab 6.pdf Restricted to Registered users only Download (80kB)
	Text (DAFTAR PUSTAKA) 08 Daftar Pustaka.pdf Restricted to Registered users only Download (87kB)
	Text (LAMPIRAN) 09 Lampiran.pdf Restricted to Registered users only Download (697kB)

Abstract

Analisis sentimen pada data Twitter dapat menggambarkan pandangan publik terhadap suatu entitas. Entitas dapat berupa organisasi, individu, produk atau sebuah kegiatan. Dengan adanya model ini akan menjadi solusi untuk mengelompokan data yang berhubungan dengan entitas menjadi dua bagian yaitu positif atau negatif. Pada penelitian ini digunakan salah satu metode Deep Learning yaitu Convolutional Neural Network (CNN). Pada model CNN akan digunakan Convolutional Layer satu dimensi dan Global Max Pooling sebagai metode pooling. Metode CNN akan menghasilkan model yang dapat menganalisis sentimen dari data Twitter. Data yang digunakan merupakan data twit yang memiliki 2 kelas sentimen yaitu positif maupun negatif. Setelah dilakukan beberapa percobaan pada model CNN didapatkan akurasi sebesar 92.62%. Model akan digunakan untuk mengklasifikasikan data Twitter yang dibagi menjadi positif atau negatif. Hasil dapat menggambarkan opini publik mengenai proses Pilpres 2019. Hasil akan disimpan pada database Elasticsearch. Penggunaan elasticsearch memungkinkan pembuatan visualisasi lebih mudah dengan bantuan Kibana. Kata kunci: sentiment analysis, nlp, convolutional neural network, deep learning, elasticsearch

Item Type:	Thesis (S1)
Call Number CD:	FIK/INFO. 20 007
NIM/NIDN Creators:	41515120061
Uncontrolled Keywords:	sentiment analysis, nlp, convolutional neural network, deep learning, elasticsearch
Subjects:	000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 006 Special Computer Methods/Metode Komputer Tertentu > 006.7 Multimedia Systems/Sistem-sistem Multimedia > 006.75 Social Multimedia/Multimedia Social > 006.754 Online Social Network/Situs Jejaring Sosial, Sosial Media 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 070 Documentary Media, Educational Media, News Media, Journalism, Publishing/Media Dokumenter, Media Pendidikan, Media Berita, Jurnalisme, Penerbitan > 070.1-070.9 Standard Subdivisions of Documentary Media, Educational Media, News Media, Journalism, Publishing/Subdivisi Standar Dari Media Dokumenter, Media Pendidikan, Media Berita, Jurnalisme, Penerbitan > 070.4 Journalism/Jurnalisme, Jurnalistik, Pers > 070.43 Reporting and News Gathering/Liputan Berita, Laporan dan Pengumpulan Berita 300 Social Science/Ilmu-ilmu Sosial > 300. Social Science/Ilmu-ilmu Sosial > 302 Social Interaction, Interpersonal Relations/Interaksi Sosial, Hubungan Antarpersonal > 302.2 Communication/Komunikasi > 302.23 Media (Means of Communication)/Media (Sarana Komunikasi) 300 Social Science/Ilmu-ilmu Sosial > 320 Political dan Government Science/Ilmu Politik dan Ilmu Pemerintahan > 324 Political Process/Proses Politik > 324.6 Election System/Pemilihan Umum, Pemilu
Divisions:	Fakultas Ilmu Komputer > Informatika
Depositing User:	Putra Arsy Anugrah
Date Deposited:	24 May 2022 01:39
Last Modified:	01 Sep 2022 07:20
URI:	http://repository.mercubuana.ac.id/id/eprint/54801

Actions (login required)

View Item