Progresif: Jurnal Ilmiah Komputer Jl.
Ahmad Yani.
33,5 - Kampus STMIK Banjarbaru Loktabat Ae Banjarbaru (Tlp.
, e-mail: puslit.
stmikbjb@gmail.
e-ISSN: 2685-0877 p-ISSN: 0216-3284 Analisis Sentimen Komentar Youtube Terhadap Ceramah Ning Umi Laila Sindir Rhoma Irama Menggunakan Algoritma LSTM Septian Ade Putra 1*.
Windu Gata2 Ilmu Komputer.
Universitas Nusa Mandiri.
Jakarta.
Indonesia *e-mail Corresponding Author: 14220026@nusamandiri.
Abstract Indonesian people utilize social media such as YouTube not only for entertainment, but also as a medium for education and da'wah, similar to Nen Umi Laila.
This research aims to analyze the sentiment towards Neng Umi Laila's video AuKeplesetAy Ghibahin Rhoma Irama using the LSTM The data used are 1108 comments on the video.
LSTM was chosen because of its accuracy and ability to handle small amounts of data.
This research method is comparable to deep learning in terms of prediction accuracy.
The original data set consisted of 805 comments from April 13 to 15, 2024, resulting in 1.
108 comments after cleaning and preprocessing.
The evaluation results show that the accuracy of managing YouTube comment data using the LSTM algorithm is 96%.
Find and download a suitable dataset for the research topic from data repositories like Kaggle.
UCI Machine Learning Repository, or Google Dataset Search.
Keyword: Sentiment Analysis.
YouTube.
Long short-term memory Algorithm Abstrak Masyarakat Indonesia memanfaatkan media sosial seperti YouTube tidak hanya untuk rekreasi dan sebagai media pendidikan dan dakwah, serupa dengan Nen Umi Laila.
Tujuan penelitian ini adalah untuk menganalisis sentimen terhadap video Neng Umi Laila "Kepleset" Ghibahin Rhoma Irama menggunakan algoritma Long short-term memory (LSTM).
Data yang digunakan adalah 1108 komentar pada video tersebut.
LSTM dipilih karena keakuratan dan kemampuannya menangani data dalam jumlah kecil.
Metode penelitian ini sebanding dengan deep learning dalam hal akurasi prediksi.
Kumpulan data asli terdiri dari 805 komentar dari 13 hingga 15 April 2024, 108 komentar setelah pembersihan dan prapemrosesan.
Hasil evaluasi menunjukkan akurasi pengelolaan data komentar YouTube menggunakan algoritma LSTM sebesar 96%.
Kata kunci: Analisis sentimen.
YouTube.
Long Short-Term Memory Pendahuluan Di era teknologi modern, media sosial telah berkembang menjadi alat yang sangat penting bagi masyarakat untuk berkomunikasi dan mengekspresikan diri.
Salah satu platform paling popular adalah YouTube yang memungkinkan pengguna mengomentari berbagai macam konte n yang dipublikasikan.
Analisis sentimen terhadap komentar YouTube memberikan wawasan berharga tentang bagaimana orang bereaksi terhadap berbagai topik seperti perdebatan dan Salah satu yang menyita perhatian publik adalah ucapan Nin Umi Raila yang mengolok-olok Roma Illama.
Salah satu tokoh terbesar di dunia hiburan dan politik Indonesia.
Roma Irama kerap menjadi sasaran kritik dan kontroversi.
Untuk memahami bagaimana opini publik terbentuk dan berkembang di platform digital, penting untuk memahami reaksi masyarakat terhadap ujaran melalui analisis sentimen.
Media sosial seperti YouTube telah menjadi wadah utama masyarakat dalam mengutarakan pendapatnya.
Menurut laporan Tahun 2020.
Hootsuite (We Are Socia.
menunjukkan bahwa YouTube adalah platform media sosial dengan jumlah pengguna Digunakan di Indonesia, dengan 88% orang di negara itu menggunakannya.
Namun, studi komprehensif tentang bagaimana komentar YouTube mencerminkan opini publik mengenai topik tertentu belum dilakukan.
Ada kesenjangan antara ketersediaan data penjelasan yang kaya dan kurangnya pemahaman mendalam tentang emosi yang terlibat.
Misalnya, analisis sentimen terhadap komentar yang muncul di YouTube tentang pidato Nin Umi Raila yang menyindir Roma Analisis Sentimen Komentar Youtube Terhadap Ceramaha.
Septian Ade Putra Progresif e-ISSN: 2685-0877 Irama dapat membantu kita memahami apakah orang mendukung atau menentang pidato tersebut dan tingkat emosi yang terkandung di dalamnya.
Kesenjangan ini menimbulkan perma salahan dalam memahami secara tepat reaksi dan opini masyarakat terhadap tokoh kontroversi al atau peristiwa tertentu di media sosial.
Pengguna media sosial sering berkomentar pada video YouTube yang menarik mereka.
Karena mudahnya memposting pesan, opini, atau sentimen, media sosial memberikan informasi yang paling relevan dan terkini .
Komentar masyarakat ini dapat dikategorikan lebih lanjut, diamati tentang perasaan, dan dievaluasi berdasarkan bahasa yang digunakan.
Youtube adalah platform yang mengumpulkan laporan video dengan pemakai aktif terbanyak.
Pemakai dapat menambahkan viewer ke video, berkomunikasi dalam berbagai video, membagikan dislike atau like, dan berlangganan .
Analisis sentimen pada komentar membantu mengetahui pendapat publik tentang tayangan di media sosial YouTube.
Analisis ini melihat orientasi sentimen dari korpus komentar tersebut, yang menunjukkan apakah pengguna menyatakan emosi positif, negatif, atau netral terhadap produk atau peristiwa .
Salah satu tugas dari model pembelajaran yang diawasi adalah mengklasifikasikan sesuatu menjadi lebih dari dua jenis kelas.
Melakukan klasifikasi multikelas adalah salah satu metode yang dapat digunakan untuk menghasilkan polaritas sentimen .
current Neural Network (RNN), yang dikembangkan oleh Hocreiter dkk.
, adalah variasi dari Me mori Pendek Lama .
Untuk mengatasi permasalahan tersebut.
Algoritma long short-term memory (LSTM), salah satu jenis, digunakan dalam penelitian ini algoritma dalam bidang kecerdasan buatan.
LSTM dikembangkan sebagai varian Recurrent Neural Network (RNN) untuk mengatasi kelemahan RNN dalam menangani konteks temporal data teks.
Algoritma ini memungkinkan analisis sentimen yang berfokus pada konteks temporal, sehingga menghasilkan hasil yang lebih akurat dan detail.
Sebagai bagian dari penelitian, komentar dari video YouTube yang relevan dikumpulkan dan diproses menggunakan pemrosesan bahasa alami (NLP) dan teknik pembelajaran mendalam sekuensial.
Penelitian ini memanfaatkan berbagai referensi ilmiah seperti jurnal dan buku yang mendukung metodologi yang digunakan, termasuk penelitian Hochreiter et al.
mengembangkan LSTM untuk mengatasi kekurangan RNN .
Tujuan artikel ini adalah menggunakan model deep learning LSTM untuk menganalisis sentimen komentar YouTube terhadap ceramah Nin Umi Raila yang menyindir Roma Irama.
Analisis ini bertujuan untuk memahami bagaimana reaksi orang terhadap ucapan dan apakah suasana hati yang dihasilkannya positif, negatif, atau netral.
Keunggulan penelitian ini adalah memberikan wawasan lebih dalam mengenai opini masyarakat di media sosial, khususnya platform YouTube.
Selain itu, hasil penelitian ini dapat digunakan untuk memahami pola dan tren sentimen publik terhadap tokoh kontroversial atau peristiwa tertentu, yang pada akhirnya membantu pembuat kebijakan, peneliti, dan profesional media untuk lebih memahami dan Membantu mengambil keputusan yang tepat.
Tinjauan Pustaka Penelitian pertama membicarakan analisis sentimen menggunakan metode Long ShortTerm Memory (LSTM).
Penelitian ini sebanding dengan penelitian yang melakukan analisis sentimen tweet mengenai COVID-19 dengan menggunakan metode LSTM dan Word Embedding.
Hasil penelitian menunjukkan akurasi metode LSTM sebesar 81%, akurasi RNN sebesar 74%, dan akurasi Nayve Bayes sebesar 71%, masing-masing .
Penelitian kedua yaitu Menggunakan Algoritma LSTM.
Pengaruh Penghapusan dan Stemming Stopword Terhadap Performa Klasifikasi Teks Komentar Kebijakan New Normal Ditemukan.
Stopword removal dan stemming memperoleh skor terbaik, dengan akurasi 0.
83, keakuratan 0.
81, dan recall 0.
81, masing-masing.
F1-Skor adalah 0.
Penelitian ketiga yaitu dalam komentar YouTube tentang Resesi Global 2023.
Analisis Sentimen dengan Long Short-Term (LSTM) dilakukan.
Dengan membagi 500 data menjadi data uji dan data latih.
LSTM menghasilkan akurasi tertinggi sebesar 76% dan 90% dari data uji, masingmasing.
Penelitian keempat Analisis Sentimen Pengguna YouTube Mengenai Analog Switch Off Menggunakan Word Embedding dan Metode Long Short-Term.
Sentimen di analisis menggunakan Word2Vec word embedding, dan metode Long Short-Term Memory (LSTM) digunakan untuk mengklasifikasikan sentimen.
Hasil uji menunjukkan akurasi 92 persen, akurasi 92 persen, recall 92 persen, dan f1-scrore 92 persen .
Analisis Sentimen Komentar Youtube Terhadap Ceramaha.
Septian Ade Putra e-ISSN: 2685-0877 Menurut temuan Dibandingkan dengan model lainnya, algoritma LSTM memiliki tingkat akurasi yang paling tinggi, menurut penelitian sebelumnya.
Kelebihan LSTM dalam melakukan analisis sentimen termasuk kemampuan untuk mengingat informasi dari data yang telah diproses dan menggunakan kemampuan memori ini untuk memahami data input dengan lebih baik.
Kemampuan memori LSTM adalah evolusi dari algoritma Recurrent Neural Network (RNN), yang digunakan untuk mengatasi masalah ketergantungan jangka panjang dalam mengingat data yang disimpan dalam waktu yang lama.
Hasil penelitian menunjukkan bahwa dua penelitian tersebut kekurangan penelitian.
Tidak ada permodelan topik yang mempelajari komentar masyarakat tentang infrastruktur jalan yang rusak di Lampung.
Selain itu, tidak ada penelitian yang mempelajari bagaimana persepsi masyarakat tentang pengambilalihan jalan yang rusak di media sosial.
Studi ini akan memeriksa kedua hal tersebut.
Metodologi Gambar 1 menunjukkan alur pencarian melalui perencanaan diagram analisis sentimen.
Gambar 1.
Tahapan Metode Penelitian Pengumpulan Data Data komentar diambil dari akun youtube @forsa772 situs ini membagikan konten -konten kunjungan presiden ke berbagai daerah di Indonesia, dan menggunakan YouTube Data APIv3 untuk mengakses data statistik seperti nama pengomentar, isi komentar, tanggal komentar, jumlah like, dan jumlah balasan komentar dari video.
Ada 10814 baris data yang belum memiliki label yang dikumpulkan dari semua link komentar.
Untuk mengumpulkan data, bahasa pemrogra man Python yang dimodifikasi menggunakan library Selenium Webdriver.
Preprocesing Data Beberapa teknik pembersihan data telah digunakan dalam proses ini, seperti Folding Case.
Removing Symbol.
Tokenization.
Stemming, dan Removal StopWord.
Cleansing Tujuan pembersihan dataset adalah untuk menyingkirkan tanda baca yang tidak penting, yang memungkinkan untuk menggabungkan pola yang mungkin .
Case Folding merupakan proses menyalaraskan teks ke kalimat yang sudah ada dalam dataset.
Data yang digunakan dalam penelitian ini akan dilipat menjadi huruf kecil, yang berarti mengubah semua teks dalam dataset menjadi huruf kecil .
Removal Symbol Merupakan prosedur untuk menghapus prefix atau simbol yang tidak berguna dari kalimat, seperti @ yang menunjukkan pengguna atau link http:// .
Tokenizing Merupakan prosedur yang membedakan teks dari satu kalimat menggunakan spasi atau Progresif: Vol.
No.
Agustus 2024: 692-700 Progresif e-ISSN: 2685-0877 , sama seperti kalimat Aupemimpin disana ngapain aja smpe mesti pusat turun kesana parah sihAy menjadi list ['pemimpin', 'disana', 'ngapain', 'aja', 'smpe', 'mesti', 'pusat', 'turun', 'kesana', 'parah', 'sih'] yang awalnya terdiri dari satu kalimat lengkap menjadi satu kata per kata.
Stemming Metode ini dapat mengubah sebuah kata menjadi kata dasar dengan menghilangkan imbuhan dari awalan dan akhiran .
Stopword Removal Merupakan proses menghilangkan kalimat tambahan atau imbuhan dari kumpulan teks sambil mempertahankan maksud dan isi dari sentimen yang ada dalam teks .
Labelling Data Dataset komentar YouTube dikategorikan ke dalam kategori yang diinginkan: Positif.
Neutral, atau Negatif.
Pelabelan ini didasarkan pada nilai susunan kalimat dalam dataset .
Visualisasi Dalam penelitian ini.
WordCloud digunakan untuk prosedur untuk menampilkan frekuensi kata dalam kumpulan data.
WordCloud memungkinkan untuk menampilkan teks yang sering muncul dalam dataset karena jumlah kata yang muncul pada grafik kata meningkatkan ukuran visualnya .
Modelling Dalam penelitian yang berkaitan Banyak algoritma digunakan dalam analisis sentimen.
Dalam penelitian ini, algoritma Long-Short Term Memory (LSTM) akan digunakan.
LSTM adalah turunan dari Recurrent Neural Network (RNN) dan diciptakan untuk mengolah data sequence.
Untuk mengatasi masalah gradien pada RNN ketika terjadi vanishing dan esploding gradien.
LSTM dibuat .
, .
Gambar 2.
Model Long-Short Term Memory Evaluasi Untuk mengetahui tingkat ketercapaian sebuah model, proses prediksi dapat melakukan Dalam hal ini, saat proses latihan dilakukan, akan dihasilkan akurasi untuk dataset secara Persamaan 1 menggunakan tiga kategori akurasi: positif, neutral, dan negatif.
Dalam hal ini.
TP adalah Nilai Positif Asli.
TNt adalah Nilai Neutral Asli, dan TNg adalah Nilai Negatif Asli.
Selain itu.
FP1 adalah Nilai Positif Palsu 1.
FP2 adalah Nilai Positif Palsu 2.
FNg1 adalah Nilai Negatif Palsu 1.
FNg2 adalah Nilai Negatif Palsu 2, dan FNt1 adalah Nilai Negatif Palsu 1, dan FNt2 adalah Nilai Negatif Palsu 2 .
yaycaycaycycycaycayc = ycNycE ycNycAyc ycNycAyci ycNycE yaycE1 yaycE2 ycNycAyc yaycAyc1 yaycAyc2 ycNycAyci ycNycAyci1 ycNycAyci2 a.
Persamaan 2 juga mencakup evaluasi peluang kelas positif atau benar dengan nilai yang tepat.
Selain itu, persamaan 3 dan 4 menampilkan hasil hitung rata-rata makro dan rata-rata berat.
ycIyceycaycaycoyco = ycNycE ycNycE yaycA a.
Analisis Sentimen Komentar Youtube Terhadap Ceramaha.
Septian Ade Putra e-ISSN: 2685-0877 Ocycu ycNycE o ycn=1 ycNycE yaycA ycAycaycaycycu yayc = yco a.
Ocycu ycOyceycnyciEaycyceycc yayc = AA.
o ycNycE ycn=1 ycNycE yaycA Oycuycn yco Persamaan 5 digunakan untuk mengukur presisisi dan ketepatan prediksi pada nilai benar, meskipun data yang digunakan telah dimasukkan ke dalam kelas yang positif atau benar.
ycEycyceycaycnycycnycuycu = ycNycE ycNycE yaycE AA.
Menurut persamaan 6, skor F1 adalah metrik evaluasi yang digunakan untuk mengevaluasi keseimbangan antara precision dan recall.
Jika digabungkan dengan peforma precision dan recall, skor F1 menunjukkan seberapa optimal model yang digunakan.
Sebagai contoh, persamaan skor f1 adalah sebagai berikut:
ya1 Oe ycycaycuycyce = 2OycIyceycaycaycoycoOycEycyceycaycnycycnycu ycNycIyceycaycaycoyco ycEycyceycaycnycycnycu AA .
Untuk prediksi klasifikasi klasifikasi aktual, persamaan 7, 8 dan 9 adalah metrik evaluasi .
digunakan untuk mengevaluasi seberapa baik model klasifikasi menemukan ambang batas .
mbang bata.
pada berbagai tingkat tanpa mempertimbangkan pilihan ambang batas tertentu.
ycNycEycI = yaycEycI = yaycOya = ycNycE ycNycE yaycA1 yaycE1 ycNycA ycNycA1 ycNycA2 ycNycEycI .
OeyaycEycI) .
Hasil dan Pembahasan Crawling Data Data yang dikumpulkan dari akun YouTube @forsa772 mencakup 815 komentar dari video yang berkaitan dengan Neng Umi Laila "Kepleset" Ghibahin Rhoma Irama.
Progresif: Vol.
No.
Agustus 2024: 692-700 Progresif e-ISSN: 2685-0877 Gambar 3.
Hasil Crawling Data Preprosesing Data Pra-pemrosesan teks, juga disebut teks preprocessing, adalah proses membersihkan data sebelum diproses lebih lanjut.
Pada fase ini, ada lima prosedur yang termasuk.
Tabel 1.
Hasil Processing Data Preprosesing Input Output Cleaning Mulut mu jaga itu lailah .
bau kencur .
di suruh ceramah ya gini.
yg ngundang dia untuk ceramah orang bodoh .
lailah in i kemungkinan ga di ajarkan akhl Mulut mu jaga itu lailah anak bau kencur di suruh ceramah ya giniyg ngundang dia untuk ceramah orang bodoh lailah ini kemungkinan ga di ajarkan mulut mu jaga itu lailah anak bau kencur di suruh ceramah ya giniyg ngundang dia untuk ceramah orang bodoh lailah ini kemungkinan ga di ajarkan Mulut mu jaga itu lailah anak bau kencur di suruh ceramah ya giniyg ngundang dia untuk ceramah orang bodoh lailah ini kemungkinan ga di ajarkan mulut mu jaga itu lailah anak bau kencur di suruh ceramah ya giniyg ngundang dia untuk ceramah orang bodoh lailah ini kemungkinan ga di ajarkan ['mulut', 'mu', 'jaga', 'itu', 'lailah', 'anak', 'bau', 'kencur', 'di', 'suruh', 'ceramah', 'ya', 'giniyg', 'ngundan g', 'dia','untuk','ceramah', 'orang', 'bodoh', 'lailah', 'ini','kemungkina n', 'ga', 'di', 'ajarkan', 'akhlak'] ['mulut','mu','jaga','itu','lailah','ana k','bau','kencur','di','suruh','ceram ah','ya','giniyg','ngundang','dia','u ntuk','ceramah','orang','bodoh','la ilah', 'ini', 'kemungkinan', 'ga', 'di', 'ajarkan', 'akhlak'] ['mulut','mu','jaga','itu','lailah','ana k','bau','kencur','di','suruh','ceram ah','ya','giniyg','ngundang','dia','u ntuk','ceramah','orang','bodoh','la ['mulut','mu','jaga','itu','lailah','an ak','bau','kencur','di','suruh','cera mah','ya','giniyg','ngundang','dia' ,'untuk','ceramah','orang','bodoh' ,'lailah','ini','mungkin','ga','di','ajar ','akhlak'] mulut mu jaga lailah anak bau kencur suruh ceramah ya giniyg ngundang ceramah orang bodoh lailah ga ajarkan akhlak CaseFolding Tokenizing Stemming Stopword Removal Analisis Sentimen Komentar Youtube Terhadap Ceramaha.
Septian Ade Putra e-ISSN: 2685-0877 ilah','ini','mungkin','ga','di','ajar','a Labelling Data Proses Labeling memberikan label pada berita yang telah dikumpulkan dan disimpan pada komentar_youtube.
Tabel 6 menunjukkan contoh proses labeling data.
Tabel 2.
Hasil Labelling Data Text Label penceramah abal abal nyindir pribadi orang emang pinter dg rhoma irama penceramah ingusan kemarin sore macem macem hah Positive pendawah ngomogin aib orang sok suci lo Negative mulut mu jaga lailah anak bau kencur suruh ceramah ya giniyg ngundang ceramah orang bodoh lailah ga ajarkan akhlak Nuetral Ekstrasi Sentimen Prapemrosesan teks melibatkan pembersihan data.
Data ini berisi komentar yang diberikan oleh pemirsa video YouTube Anda.
Komentar positif, netral, dan negatif adalah tiga kategori komentar.
Data ini terdiri dari 805 komentar pada video YouTube yang berkaitan dengan Neng Umi Laila "Kepleset" Ghibahin Rhoma Irama.
Komentar tersebut terdiri dari 55 komentar positif .
%), 550 komentar cnetral .
%), dan 200 komentar negatif .
%).
Gambar 4.
Prosentase Kemunculan Sentimen Wordcloud Studi ini juga menemukan topik atau kata yang paling sering muncul dalam dataset komentar YouTube.
Gambar 5 menunjukkan gambaran wordcloud dari data teks komentar secara keseluruhan.
Progresif: Vol.
No.
Agustus 2024: 692-700 Progresif e-ISSN: 2685-0877 Gambar 5.
Wordcloud Kaslifikasi Berikut ini gambaran hasil dari Precision, dan Recall.
F1-Score.
AUC dari klasifikasi:
Gambar 6.
Hasil Klasifikasi Evaluasi Hasil confusion matrix positif, negatif, dan neutral didapatkan selama proses latihan data, seperti yang ditunjukkan pada gambar 5.
Gambar 5.
Confusion Matrix Menurut tiga eksperimen di atas, eksperimen ketiga menghasilkan nilai akurasi tertinggi, yaitu 96%, dibandingkan dengan eksperimen lain.
Ini juga didukung oleh perhitungan untuk menemukan nilai akurasi yang didasarkan pada rumus 1:
yaycaycaycycycaycayc = 3 15 69
3 1 0 3 15 7 0 2 69
ycu 100% Analisis Sentimen Komentar Youtube Terhadap Ceramaha.
Septian Ade Putra e-ISSN: 2685-0877 Maka didapatkanlah nilai accuracy sebesar 96 % Beberapa penelitian sebelumnya, seperti yang dilakukan .
dalam " Analisis sentimen komentar YouTube terhadap Anies Baswedan menggunakan teknik klasifikasi Naive Bayes" menunjukkan bahwa metode klasifikasi tradisional dapat memiliki keterbatasan dalam membedakan antara kelas yang mirip.
Hasil ini mendukung temuan mereka bahwa model sering mengalami kesulitan dalam membedakan kelas sentimen yang berdekatan.
dalam surveinya tentang analisis sentimen di media sosial juga menyebutkan bahwa klasifikasi sentimen dengan data tidak seimbang sering mengarah pada dominasi prediksi di kelas mayoritas, seperti yang terlihat dalam hasil model ini yang mendominasi kelas "Neutral".
Penelitian bertentangan oleh .
mengenai "Long short-term memory" menunjukkan efektivitas LSTM dalam menangani masalah klasifikasi dengan data sekuensial.
Hasil ini bertentangan dengan penelitian tersebut karena model saat ini tidak berhasil mengklasifikasikan kelas sentimen dengan baik, terutama pada kelas "Negative" dan "Positive".
Temuan baru bahwa model cenderung mengklasifikasikan semua kelas sebagai "Neutral" bisa jadi merupakan hasil baru dalam konteks spesifik dataset yang digunakan dalam penelitian ini.
Hal ini menunjukkan bahwa ada kemungkinan besar ketidakseimbangan data atau kurangnya fitur pembeda yang kuat antara kelas "Negative" dan "Positive".
Simpulan Penelitian ini menemukan bahwa analisis sentimen yang dilakukan pada komentar YouTube mengenai Neng Umi Laila "Kepleset" Ghibahin Rhoma Irama memiliki nilai akurasi sebesar 96%.
Hasil ini menunjukkan bahwa algoritma naive Bayes berfungsi dengan baik untuk menganalisis sentimen pada komentar YouTube.
Penelitian ini menunjukkan bahwa penelitian tambahan akan dilakukan tentang komentar YouTube Ustadz Abdul Somad dengan pendekatan yang berbeda, yang diharapkan akan memberikan tingkat akurasi yang lebih tinggi.
Dengan demikian, analisis sentimen ini dapat memberikan informasi tentang tanggapan masyarakat terhadap video Neng Umi Laila "Kepleset" Ghibahin Rhoma Irama.
Hasil ini dapat digunakan sebagai inspirasi untuk terus memproduksi video terbaik untuk masyarakat.
Daftar Referensi .
Arjunanto and S.
Waluyo, "Analisis Sentimen pada Media Sosial Twitter terhadap Infrastruktur Jalan di Lampung menggunakan Algoritma K-Nearest Neighbor," in Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), vol.
2, no.
2, pp.
135-144, 2023.
Rahman.
Sari, and N.
Yudistira, "Analisis Sentimen Tweet COVID-19 menggunakan Word Embedding dan Metode Long Short-Term Memory (LSTM)," J.
Pengemb.
Teknol.
Inf.
dan Ilmu Komput.
, vol.
5, no.
11, pp.
5120-5127, 2021.
Misrun, et al.
, "Analisis sentimen komentar youtube terhadap Anies Baswedan sebagai bakal calon presiden 2024 menggunakan metode naive bayes classifier," Jurnal Coscitech (Computer Science and Information Technolog.
, vol.
4, no.
1, pp.
207-215, 2023
Nurrohmat and A.
SN, "Sentimen Analysis of Novel Review Using Long Short-Term Memory Method," IJCCS (Indonesian Journal of Computing and Cybernetics System.
, vol.
13, no.
3, p.
209, 2019, doi: 10.
22146/ijccs.
Hochreiter and J.
Schmidhuber,"Long short-term memory," Neural Computation, vol.
8, pp.
1735-1780, 1997.
Muzaffar and A.
Afshari, "Short-term load forecasts using LSTM networks," Energy Procedia, vol.
158, pp.
2922-2927, 2019.
Zai, "Implementasi Data Mining Sebagai Pengolahan Data," Jurnal Portal Data, vol.
3, pp.
46-55, 2022.
Pramono.
Rosiyadi, and W.
Gata, "Integrasi N-gram.
Information Gain.
Particle Swarm Optimization di Nayve Bayes untuk Optimasi Sentimen Google Classroom," Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informas.
, vol.
3, no.
3, pp.
383-388, 2019.
Nurrohmat and S.
Azhari, "Sentiment analysis of novel review using long short-term memory method," IJCCS (Indonesian Journal of Computing and Cybernetics System.
, vol.
Progresif: Vol.
No.
Agustus 2024: 692-700 Progresif e-ISSN: 2685-0877 13,no.
3, pp.
209-218, 2019.
Anisa, "Analisis Part Of Speech Tagging Bahasa Indonesia Dalam Swamedikasi Dialog Interactive Question Answering Menggunakan Metode HMM," Jurnal Teknologi Pintar, vol.
2, no.
10, pp.
69-78, 2022.
Misrun, et al.
, "Analisis sentimen komentar youtube terhadap Anies Baswedan sebagai bakal calon presiden 2024 menggunakan metode naive bayes classifier," Jurnal Coscitech (Computer Science and Information Technolog.
, vol.
4, no.
1, pp.
207-215, 2023.
Saefudin.
Komarudin, and R.
Ilyas, "Visualisasi Kumpulan Berita Dalam Bentuk Peta Digital Dengan Metode Term Frequency-Inverse Document Frequency dan Gazetteer," Seminar Nasional Sains dan Teknologi Informasi (SENSASI), vol.
2, no.
1, pp.
117-126,
Rizkilloh and S.
Widiyanesti, "Prediksi Harga Cryptocurrency Menggunakan Algoritma Long Short Term Memory (LSTM)," Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
, vol.
6, no.
1, pp.
25-31, 2022.
Nugroho.
Akbar, and A.
Suksmawati, "Deteksi Depresi dan Kecemasan Pengguna Twitter Menggunakan Bidirectional LSTM," arXiv preprint arXiv:2301.
04521, 2023.
Augustia, et al.
, "Analisis Sentimen Omnibus Law Pada Twitter Dengan Algoritma Klasifikasi Berbasis Particle Swarm Optimization," Paradigma, vol.
23, no.
2, pp.
158-166,
Liu, et al.
, "Roberta: A robustly optimized bert pretraining approach," arXiv preprint arXiv:1907.
11692, 2019.
Santosa.
Purnamasari, and R.
Mayasari, "Pengaruh Stopword Removal dan Stemming Terhadap Performa Klasifikasi Teks Komentar Kebijakan New Normal Menggunakan Algoritma LSTM," J-SAKTI (Jurnal Sains Komputer dan Informatik.
, vol.
6, no.
1, pp.
8193,2022.
Hendrawan.
Sela, "Analisis Sentimen Komentar Youtube Tentang Resesi Global 2023 Menggunakan LSTM," Jurnal Indonesia: Manajemen Informatika dan Komunikasi, vol.
5, no.
1, pp.
587-593, 2024.
Analisis Sentimen Komentar Youtube Terhadap Ceramaha.
Septian Ade Putra