Analisis Sentimen Sosial Media dengan Metode Bidirectional Gated Recurrent Unit

Authors

  • Fadly Faturrohman Teknik Informatika, Institut Teknologi Nasional Bandung
  • Dewi Rosmala Teknik Informatika, Institut Teknologi Nasional Bandung

Keywords:

Sentimen Analisis, BiGRU, Word Embedding, GloVe, Natural Language Processing

Abstract

ABSTRAK
Sentimen analisis banyak diterapkan untuk dapat menganalisa opini dari suatu kalimat berbagai metode telah dicoba untuk melakukan klasifikasi di dalam sebuah teks. Salah satu metode yang populer digunakan adalah dengan deep learning, klasifikasi sentimen masuk kedalam ranah Natural Language Processing maka metode yang umum digunakan adalah metode recurrent. Dalam penelitian ini diusulkan metode Bidirectional GRU (BiGRU) untuk ekstraksi fitur teks dengan parameter yang diukur adalah perubahan nilai dari Learning Rate, Batch Size, dan Epoch. Dalam penerapan metodenya dibantu dengan word embedding GloVe dalam menghasilkan model terbaik, yang akhirnya digunakan untuk melakukan klasifikasi polaritas pada data sentimen dari sosial media Twitter. Hasil yang didapatkan pada model terbaik menghasilkan akurasi sebesar 97.7% dengan nilai precession 97.8%, recall 97.5% dan nilai loss 1.3%

ABSTRACT
Sentiment analysis is widely applied to be able to analyze the opinion of a sentence, various methods have been tried to classify in a text. One of the popular methods used is deep learning, sentiment classification is included in the realm of Natural Language Processing, so the method commonly used is the iterative method. In this study, the Bidirectional GRU (BiGRU) method is proposed for text feature extraction with the measured parameters being the change in the value of Learning Rate, Batch Size, and Epoch. The application of the method is assisted by word embedding GloVe in producing the best model, which is finally used to classify polarity on sentiment data from Twitter social media. The results obtained in the best model are 97.7% accuracy with 97.8% precession value, 97.5% recall and 1.3% loss value.

Published

2022-06-21 — Updated on 2022-07-06

Versions