Pengaruh Pembobotan Fitur Terhadap Analisis Sentimen  Aplikasi TikTok menggunakan Klasifiki RNN

RIZKI NABIL AUFA

Informasi Umum

Kode

23.04.3496

Klasifikasi

006.35 - Natural Language Processing, Computer Science

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Natural Language Processing, Natural Science,

Dilihat

217 kali

Informasi Lainnya

Abstraksi

<p>Media sosial merupakan media yang digunakan oleh masyarakat untuk menyampaikan pendapatnya. Dalam perkembangannya, media sosial telah menjadi kebutuhan dalam kehidupan bermasyarakat. Salah satu aplikasi media sosial yang paling populer sejak tahun 2020 adalah TikTok. Video-video pendek dengan durasi rata-rata 60 detik dapat menghibur masyarakat sehingga tidak merasa terisolasi. Terdapat 17 juta ulasan aplikasi TikTok di Google Play Store di Indonesia dari berbagai usia pengguna. Perkembangan informasi dan teknologi yang begitu pesat menimbulkan pro dan kontra terhadap aplikasi ini. Kebebasan berekspresi tanpa adanya batasan khusus dalam publikasi konten berdampak negatif terhadap mentalitas pengguna. Berdasarkan hal tersebut, analisis sentimen sangat penting dilakukan untuk mengungkap kecenderungan opini mengenai aplikasi yang berguna bagi masyarakat dalam meningkatkan kesadaran akan baik buruknya aplikasi sebelum digunakan. Pembobotan fitur yang tepat diperlukan untuk meningkatkan akurasi hasil analisis sentimen. Hasil yang lebih optimal dapat diperoleh dengan menentukan bobot yang sesuai untuk pembobotan fitur yang berbeda. Penelitian ini membandingkan metode pembobotan fitur TF IDF, TF RF, dan Word2Vec dengan pengklasifikasi RNN pada ulasan aplikasi TikTok. Hasil percobaan menunjukkan bahwa TF RF lebih unggul daripada TF IDF, dengan akurasi pembobotan fitur berturut-turut adalah TF RF 87,6%, TF IDF 86%, dan Word2Vec 80%. Kontribusi penelitian ini terletak pada eksplorasi metode pembobotan fitur yang berbeda untuk meningkatkan akurasi analisis sentimen dan memberikan wawasan yang berharga untuk proses pengambilan keputusan.</p>