Ardinata, Pande Made Sindu (2023) PEMBANGUNAN MODEL LONG SHORT-TERM MEMORY UNTUK IDENTIFIKASI TINGKAT RESILIENSI MAHASISWA BERDASARKAN SELF DISCLOSURE PADA TWITTER. Undergraduate thesis, Universitas Pendidikan Ganesha.
Text (COVER)
1915101005-COVER.pdf Download (627kB) |
|
Text (ABSTRAK)
1915101005-ABSTRAK.pdf Download (33kB) |
|
Text (BAB 1 PENDAHULUAN)
1915101005-BAB1-PENDAHULUAN.pdf Download (108kB) |
|
Text (BAB 2 LANDASAN TEORI)
1915101005-BAB 2-KAJIAN TEORI.pdf Restricted to Repository staff only Download (187kB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
1915101005-BAB 3-METODE PENELITIAN.pdf Restricted to Repository staff only Download (360kB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
1915101005-BAB 4-HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (750kB) | Request a copy |
|
Text (BAB 5 PENUTUP)
1915101005-BAB 5-PENUTUP.pdf Restricted to Repository staff only Download (80kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
1915101005-DAFTAR PUSTAKA.pdf Download (180kB) |
|
Text (LAMPIRAN)
1915101005-LAMPIRAN.pdf Download (45kB) |
Abstract
Resiliensi merupakan kemampuan individu untuk bertahan dan menghadapi suatu perubahan. Resiliensi yang baik mampu mendorong mahasiswa untuk bisa beradaptasi pada setiap perubahan dinamis yang terjadi pada saat masa perkulihan. Penelitian ini bertujuan untuk membangun model LSTM (Long Short-Term Memory) untuk melakukan identifikasi tingkat resiliensi pada mahasiswa berdasarkan data yang representatif terhadap tingkat reseiliensi pada ungkapan emosi, kondisi dan pengalaman mahasiswa di sosial media twitter. Metode penelitian ini melibatkan pengumpulan data teks yang relevan dari twitter dengan menggunakan teknik pencarian kata kunci yang terkait dengan resiliensi dan konteks mahasiswa. Data kemudian diolah menggunakan teknik pemrosesan bahasa alami (Natural Language Processing) untuk membersihkan data sehingga dapat dilakukan pelabelan bersama dengan pakar psikologi. Model yang dibangun pada penelitian ini menggunakan metode ektraksi fitur keras tokenizer dan fasttext untuk menemukan metode yang paling optimal untuk mengidentifikasi pola dan karakteristik yang berkaitan dengan tingkat resiliensi. Dalam penelitian ini dilakukan beberapa percobaan pembuatan label dan pengujian dengan beberapa pembagian dataset. Hasil penelitian ini menunjukan bahwa saat pengujian awal model memiliki kemampuan yang serupa dimana model LSTM dengan keras tokenizer menghasilkan prediksi maksimal sebesar 82% sedangkan LSTM dengan ektraksi fitur fasttext sebesar 81%. Tetapi saat dilakukan pengujian akhir model LSTM dengan kombinasi dengan ektraksi fitur fasttext menghasilkan hasil pengujian akhir sebesar 83% dari 150 data baru yang berhasil diprediksi sesuai dengan tingkatan resiliensinya. Sedangkan LSTM dengan keras hanya sebanyak 44% dari 150 data pengujian akhir yang sama. Melalui penelitian ini, diharapkan dapat menjadi langkah pencegahan awal untuk meminimalisir mahasiswa mengalami depresi.
Item Type: | Thesis (Undergraduate) |
---|---|
Uncontrolled Keywords: | Resiliensi, Model, LSTM, Mahasiswa, Twitter |
Subjects: | T Technology > T Technology (General) |
Divisions: | Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1) |
Depositing User: | Pande Made Sindu Ardinata |
Date Deposited: | 22 Jul 2023 22:00 |
Last Modified: | 22 Jul 2023 22:00 |
URI: | http://repo.undiksha.ac.id/id/eprint/16576 |
Actions (login required)
View Item |