Penggunaan Recurrent Neural Network Dalam Mendeteksi Sentimen Berbahaya Pada Platform Media Sosial
DOI:
https://doi.org/10.34012/jutikomp.v7i1.4845Keywords:
Recurrent Neural Network, Social Media, Detection, Dangerous SentimentAbstract
Social media platforms in today's modern era make it easier for people to communicate and socialize. Behind that, on a hot topic, there must be sentiment. Every sentiment the community conveys varies; some are good and neutral, and some are bad or dangerous. To detect sentiment, start from crawling data, pre-processing, labeling, and then testing or training to get accuracy value, recall value, f1 value, and precision value using Long Short Term Memory. They obtained an accuracy value of 0.582, recall value of 0.582, f1 value of 0.428, and precision of 0.339. This LSTM model can be used to develop an analysis model that is successfully achieved.
References
Darmaja, E., Mawardi, V. C., & Perdana, N. J. (2021). Review Sentimen Analisis Aplikasi Sosial Media Di Google Playstore Menggunakan Metode Logistic Regression. Prosiding Serina, 513–520. https://journal.untar.ac.id/index.php/PSERINA/article/view/17504/9467
Farisi, S., & Hadi, S. (2023). Analisis Sentimen menggunakan Recurrent Neural Network Terkait Isu Anies Baswedan Sebagai Calon Presiden 2024. EProceedings …, 10(2), 1682. https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/19992%0Ahttps://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/19992/19357
Fauzi, A., Akbar, M. F., & Asmawan, Y. F. A. (2019). Sentimen Analisis Berinternet Pada Media Sosial dengan Menggunakan Algoritma Bayes. Jurnal Informatika, 6(1), 77–83. https://doi.org/10.31311/ji.v6i1.5437
Hutagalung, W. M. S. N., Tony, T., & Jaya Perdana, N. (2023). Analisis Sentimen Pada Opini Kenaikan Harga Bahan Bakar Minyak Pada Media Sosial Twitter. Simtek : Jurnal Sistem Informasi Dan Teknik Komputer, 8(2), 280–284. https://doi.org/10.51876/simtek.v8i2.207
Bara, E. A. B., Nasution, K. A., & Zahara Ginting, R. Z. (2022). Penelitian tentang Twitter. Jurnal Edukasi Nonformal, 3(2), 167–172.
Juwiantho, H., Setiawan, E. I., Santoso, J., Purnomo, M. H., Informasi, D. T., Tinggi, S., & Surabaya, T. (2018). Sentiment Analysis Twitter Bahasa Indonesia Berbasis Word2vec Menggunakan Deep Convolutional Neural Network. Jurnal Teknologi Informasi Dan Ilmu Komputer, 7(1), 181–188. https://doi.org/10.25126/jtiik.202071758
Heredia, B., Khoshgoftaar, T., Prusa, J., & Crawford, M. (2016). Cross-Domain Sentiment Analysis: An Empirical Investigation. https://doi.org/10.1109/IRI.2016.28
Cahyadi, R., Damayanti, A., Aryadani, D., Rekayasa Multimedia Poltek Negeri Media Kreatif Jakarta Jl Srengseng Sawah, T., Selatan, J., Informatika STMIK AKAKOM Jl Raya Janti, T., & Yogyakarta, K. (2020). Recurrent Neural Network (Rnn) Dengan Long Short Term Memory (Lstm) Untuk Analisis Sentimen Data Instagram. Jurnal Informatika Dan Komputer, 5(1), 1–9.
Tarkus, E. D., Sompie, S. R. U. A., & Jacobus, A. (2020). Implementasi Metode Recurrent Neural Network pada Pengklasifikasian Kualitas Telur Puyuh. Jurnal Teknik Informatika, 15(2), 137–144. https://ejournal.unsrat.ac.id/v3/index.php/informatika/article/view/29552
Wiranda, L., & Sadikin, M. (2019). Penerapan Long Short Term Memory pada Data Time Series untuk Memprediksi Penjualan Produk PT. Metiska Farma. Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), 8(3), 184–196.
Faadilah, A. (2020). Analisis Sentimen Pada Ulasan Aplikasi Tokopedia di Google Play Store Menggunakan Metode Long Short Term Memory. 1–46.
Rahman, M. Z., Sari, Y. A., & Yudistira, N. (2021). Analisis Sentimen Tweet COVID-19 menggunakan Word Embedding dan Metode Long Short-Term Memory (LSTM). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 5(11), 5120–5127. http://j-ptiik.ub.ac.id
Merinda Lestandy, Abdurrahim Abdurrahim, & Lailis Syafa’ah. (2021). Analisis Sentimen Tweet Vaksin COVID-19 Menggunakan Recurrent Neural Network dan Naïve Bayes. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(4), 802–808. https://doi.org/10.29207/resti.v5i4.3308
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Roy Vidia Chuanta, Mawaddah Harahap, Adya Zizwan Putra
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
- Hak Cipta atas naskah-naskah karya ilmiah di dalam Jurnal ini dipegang oleh Penulis.
- Penulis menyerahkan hak saat pertama kali mempublikasi Naskah karya ilmiahnya dan secara bersamaan Penulis memberikan izin/lisensi dengan mengacu pada Creative Commons Attribution-ShareAlike 4.0 International License kepada pihak lain untuk menyebarkan karya ilmiahnya tersebut dengan tetap mencantumkan penghargaan bagi penulis dan Jurnal Teknologi dan Ilmu Komputer Prima sebagai media Publikasi pertama atas karya tersebut.
- Hal-hal yang berkaitan dengan non-eksklusivitas pendistribusian Jurnal yang menerbitkan karya ilmiah penulis dapat diperjanjikan secara terpisah (contoh: permintaan untuk menempatkan karya yang dimaksud pada perpustakaan suatu institusi atau menerbitkannya sebagai buku) dengan Penulis sebagai salah satu pihak perjanjian dan dengan penghargaan pada Jurnal Teknologi dan Ilmu Komputer Prima sebagai media publikasi pertama atas karya dimaksud.
- Penulis dapat dan diharapkan untuk mengumumkan karyanya secara online (misalnya pada Repositori atau pada laman Organisai/Institusinya) sejak sebelum dan selama proses pengumpulan naskah, sebab upaya tersebut dapat meningkatkan pertukaran citasi lebih awal dan dengan cakupan yang lebih luas.
