METODE DEEP LEARNING UNTUK ANALISIS TEKS

Abstract

Penelitian ini mengeksplorasi metode analisis sentimen teks, seperti Artificial Neural Network (ANN), Convolutional Neural Network (CNN) dengan Long Short-Term Memory (LSTM), Deep CNN, dan Bidirectional LSTM (BiLSTM). Hasil menunjukkan bahwa kombinasi ANN dan Synthetic Minority Over-sampling Technique (SMOTE) mencapai akurasi 87,06%, sementara CNN dan LSTM masing-masing mencapai 0,88 dan 0,84. BiLSTM mencatat akurasi terbaik sebesar 91%, dan BERT mencapai 73%, dengan potensi peningkatan melalui dataset yang lebih besar. Analisis komentar YouTube mengenai keputusan Mahkamah Konstitusi menemukan dominasi sentimen negatif, dengan model Multi-Layer Perceptron (MLP) menggunakan SMOTE mencapai akurasi 99%. Dalam penelitian ini, peneliti menggunakan metode kajian literatur, mengumpulkan data dari 10 artikel terakreditasi SINTA 1 - SINTA 5 yang diterbitkan antara 2019 hingga 2023. Analisis dilakukan untuk mengevaluasi kondisi terkait topik penelitian dan merumuskan kesimpulan mendalam dari berbagai sumber literatur. Temuan ini menekankan pentingnya teknik pengolahan data yang tepat dan keseimbangan dataset untuk meningkatkan performa model analisis sentimen, terutama dalam konteks isu sosial.