IMPLEMENTASI DEEP LEARNING UNTUK ANALISIS  SENTIMEN MULTI-LABEL MENGENAI PEMILU PRESIDEN  2024 PADA SOSIAL MEDIA YOUTUBE  - Dalam bentuk buku karya ilmiah

AHMAD NAHID MA'ALY

Informasi Umum

Kode

24.04.1682

Klasifikasi

006.3 - Special Computer Methods- Artificial intelligence

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Deep Learning

Dilihat

394 kali

Informasi Lainnya

Abstraksi

Pemilihan Presiden adalah peristiwa politik penting yang sering memicu perdebatan yang intens. Dengan lebih dari 139 juta pengguna, YouTube menjadi salah satu media sosial yang dapat digunakan untuk memahami opini publik melalui analisis sentimen. Penelitian ini bertujuan mengimplementasikan deep learning untuk analisis sentimen multi-label terhadap komentar pada video YouTube terkait pemilihan Presiden Indonesia 2024. Analisis sentimen dilakukan dengan mengklasifikasikan komentar ke dalam delapan label emosi yaitu; anger, anticipation, disgust, joy, fear, sadness, surprise, dan trust. Metode CRISP-DM diterapkan dalam penelitian ini dengan tahapan business understanding, data understanding, data preparation, modeling, evaluation, dan deployment, dengan memastikan pendekatan yang sistematis dan komprehensif. Penelitian ini berfokus pada dataset komentar debat calon Presiden yang berasal dari kanal KPU dan Najwa Shihab, dengan menggunakan tiga model deep learning yaitu; Convolutional Neural Network (CNN), Bidirectional Long Short-Term Memory (Bi-LSTM), dan kombinasi CNN dan Bi-LSTM. Dataset terdiri dari 32.000 komentar yang dikumpulkan melalui YouTube data API. Model CNN, Bi-LSTM dan CNN Bi-LSTM dievaluasi menggunakan confusion matrix, AUC, dan hamming loss. Hasil evaluasi menunjukkan bahwa model Bi-LSTM memiliki akurasi tertinggi dengan nilai AUC sebesar 0,91 dan hamming loss sebesar 0,08, mengindikasikan kemampuan yang sangat baik dalam mengklasifikasikan sentimen dengan presisi tinggi dan tingkat kesalahan yang rendah. Penelitian ini memberikan wawasan untuk strategi kampanye politik dan berkontribusi pada proses natural language processing dan data mining dengan menangani tantangan analisis sentimen multi-label.