PEMBANGUNAN MODEL KLASIFIKASI SENTIMEN TERHADAP PENGGUNAAN ARTIS KOREA SELATAN SEBAGAI BRAND AMBASSADOR PRODUK LOKAL MENGGUNAKAN DEEP LEARNING

Mahayani, Luh Nintya (2024) PEMBANGUNAN MODEL KLASIFIKASI SENTIMEN TERHADAP PENGGUNAAN ARTIS KOREA SELATAN SEBAGAI BRAND AMBASSADOR PRODUK LOKAL MENGGUNAKAN DEEP LEARNING. Undergraduate thesis, Universitas Pendidikan Ganesha.

	Text (COVER) 1915101034 - COVER.pdf Download (1MB)
	Text (ABSTRAK) 1915101034 - ABSTRAK.pdf Download (551kB)
	Text (BAB 1 PENDAHULUAN) 1915101034-BAB 1 PENDAHULUAN.pdf Restricted to Repository staff only Download (375kB) | Request a copy
	Text (BAB 2 KAJIAN TEORI) 1915101034 - BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (713kB) | Request a copy
	Text (BAB 3 METODELOGI PENELITIAN) 1915101034 - BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (402kB) | Request a copy
	Text (BAB 4 HASIL DAN PEMBAHASAN) 1915101034 - BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB 5 PENUTUP) 1915101034 - BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (227kB) | Request a copy
	Text (DAFTAR PUSTAKA) 1915101034 - DAFTAR PUSTAKA.pdf Download (457kB)
	Text (LAMPIRAN) 1915101034 - LAMPIRAN.pdf Download (534kB)

Abstract

Penelitian ini bertujuan untuk membangun model klasifikasi sentimen untuk menganalisis opini masyarakat terhadap penggunaan artis Korea sebagai brand ambassador produk lokal pada media sosial Twitter. Dalam penelitian ini menggunakan dua arsitektur Deep Learning yaitu Convolutional Neural Network (CNN) dan Gated Reccurent Unit (GRU) serta Word2vec sebagai metode ekstraksi fitur. Data penelitian dikumpulkan dengan kata kunci “artis korea”, “idol korea”, “brand ambassador” dan “produk lokal”. Word2Vec digunakan sebagai metode ekstraksi fitur untuk menghasilkan representasi vektor kata yang kaya makna semantik. Representasi vektor tersebut kemudian digunakan sebagai input untuk kedua model deep learning. Model CNN dibangun untuk menangkap fitur lokal dan pola dalam teks, sementara model GRU dibangun untuk memproses informasi sekuensial dan menangkap dependensi jangka panjang. Performa model CNN dan GRU dievaluasi menggunakan K-Fold Cross Validation. Hasil penelitian menunjukkan bahwa model klasifikasi CNN dan GRU berkinerja lebih baik ketika Word2Vec digunakan sebagai metode ekstraksi fitur. Kemampuan Word2Vec untuk merepresentasikan semantik kata sangat membantu dalam pemahaman model terhadap sentimen teks. Model CNN mencapai akurasi 97% pada data validasi, sedangkan model GRU mencapai akurasi 98% pada data validasi. Pada pengujian dengan data baru model CNN mencapai akurasi 78% dan model GRU mencapai akurasi 86%.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	Klasifikasi, Word2vec, Convolutional Neural Network, Gated Reccurent Unit
Subjects:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1)
Depositing User:	Luh Nintya Mahayani
Date Deposited:	01 Aug 2024 07:24
Last Modified:	01 Aug 2024 07:24
URI:	http://repo.undiksha.ac.id/id/eprint/21723

Actions (login required)

View Item