Analisis Sentimen Media Sosial Youtube Kereta Cepat (Whoosh) Menggunakan Algoritma Bidirectional-LSTM
DOI:
https://doi.org/10.35889/progresif.v20i2.1958Abstract
This study analyzes social media sentiment on YouTube regarding the high-speed train (Whoosh) using the Bidirectional-LSTM algorithm. The issue raised is the need for a deeper understanding of public perception of the high-speed train project, which can affect its acceptance and sustainability. The purpose of this paper is to evaluate the performance of the Bidirectional-LSTM algorithm in sentiment analysis compared to other algorithms. The method used involves collecting YouTube comment data, text preprocessing, and applying the Bidirectional-LSTM algorithm for sentiment classification. The parameters analyzed include accuracy, precision, and resilience to data variations. The research results show that the Bidirectional-LSTM algorithm achieves an accuracy of (0.86), which is significantly higher compared to the Multinomial Naïve Bayes algorithm (0.80), USE-Transfer learning (Tensorflow) (0.80), and Text Vectorization and Embedding (Tensorflow) (0.80). The conclusion of this study is that Bidirectional-LSTM is more effective and reliable in analyzing social media sentiment towards the high-speed train (Whoosh).
Keywords: Sentiment Analysis; YouTube Fast Train (Whoosh); Bidirectional-LSTM.
Â
Abstrak
Penelitian ini menganalisis sentimen media sosial YouTube terhadap kereta cepat (Whoosh) menggunakan algoritma Bidirectional-LSTM. Masalah yang diangkat adalah perlunya pemahaman yang lebih mendalam tentang persepsi publik terhadap proyek kereta cepat, yang dapat mempengaruhi penerimaan dan keberlanjutannya. Tujuan penulisan ini adalah untuk mengevaluasi performa algoritma Bidirectional-LSTM dalam menganalisis sentimen dibandingkan dengan algoritma lain. Metode yang digunakan melibatkan pengumpulan data komentar YouTube, preprocessing teks, dan penerapan algoritma Bidirectional-LSTM untuk klasifikasi sentimen. Parameter-parameter yang dianalisis meliputi akurasi, presisi, dan ketahanan terhadap variasi data. Hasil penelitian menunjukkan bahwa algoritma Bidirectional-LSTM mencapai akurasi (0.86) yang secara signifikan lebih tinggi dibandingkan dengan algoritma Multinomial Naïve Bayes (0.80), USE-Transfer learning (0.80), dan Text Vactorita-tion and Embedding (Tensorflow) (0.80). Simpulan penelitian ini adalah bahwa Bidirectional-LSTM lebih efektif dan andal dalam menganalisis sentimen media sosial YouTube kereta cepat (Whoosh).
Kata kunci: Analisis Sentimen; Youtube Kereta Cepat (Whoosh); Bidirectional-LSTM;
References
J. F. Sianipar, Y. R. Ramadhan, and I. Jaelani, “Analisis Sentimen Pembangunan Kereta Cepat Jakarta-Bandung di Media Sosial Twitter Menggunakan Metode Naive Bayes,†Kajian Ilmiah Informatika dan Komputer, vol. 4, no. 1, pp. 360–367, 2023, doi: 10.30865/klik.v4i1.1033.
A. R. Fitriansyah and Y. Sibaroni, “Analisis Sentimen Terhadap Pembangunan Kereta Cepat Jakarta-Bandung Pada Media Sosial Twitter Menggunakan Metode SVM dan GloVe Word Embedding,†e-Proceeding of Engineering, vol. 10, no. 2, pp. 1713–1723, Apr. 2023, Accessed: Jul. 17, 2024. [Online]. Available: https://openlibrarypublications. telkomuniversity.ac.id/index.php/engineering/article/view/20000
T. Agustiranti, A. Khalfani Izzati Kurdiana, B. Al Ghiffari, E. Dwi Juniar, and D. Gita Purnama, “Penerapan Naive Bayes Terhadap Sentimen Analisis Media Sosial Twitter Pengguna Kereta Cepat Jakarta-Bandung (Whoosh),†Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI, vol. 7, no. 1, pp. 297–305, 2024.
C. Pricylia, A. Mulya, P. Nugraha, and I. Santoso, “Analisis Sentimen Masyarakat Terhadap Pembangunan Kereta Cepat Jakarta-Bandung Menggunakan Algoritma K-Nearest Neighbors (KNN),†Jakarta, Jul. 2023. Accessed: Jul. 17, 2024. [Online]. Available: www.gataframework.com/textmining.Peneliti
Y. A. Singgalen, “Pemilihan Metode dan Algoritma dalam Analisis Sentimen di Media Sosial : Sistematic Literature Review,†Journal of Information Systems and Informatics, vol. 3, no. 2, pp. 56-64, 2021, [Online]. Available: http://journal-isi.org/index.php/isi
D. Susilo and H. Harliantara, “Framing Analysis of Indonesian Fast Train on detik.com,†Gema Kampus IISIP YAPIS Biak, vol. 18, no. 2, pp. 148–162, Oct. 2023, doi: 10.52049/gemakampus.v18i2.327.
S. Nurwahyuni, “Analisis Sentimen Aplikasi Transportasi Online Krl Access Menggunakan Metode Naive Bayes,†JURNAL SWABUMI, vol. 7, no. 1, pp. 31–38, Mar. 2019.
F. Amaliah and I. K. D. Nuryana, “Perbandingan Akurasi Metode Lexicon Based Dan Naive Bayes Classifier Pada Analisis Sentimen Pendapat Masyarakat Terhadap Aplikasi Investasi Pada Media Twitter,†Journal of Informatics and Computer Science, vol. 03, no. 03, pp. 384–393, 2022.
P. A. Permatasari, L. Linawati, and L. Jasa, “Survei Tentang Analisis Sentimen Pada Media Sosial,†Majalah Ilmiah Teknologi Elektro, vol. 20, no. 2, pp. 177-186, Dec. 2021, doi: 10.24843/mite.2021.v20i02.p01.
S. Wahyu, “Konferensi Nasional Ilmu Komputer (KONIK) 2023 Perbandingan Model Algoritma Klasifikasi Pada Analisis Sentimen Opini Masyarakat Terhadap Layanan Kereta Cepat Jakarta Bandung (The Whoosh),†Konferensi Nasional Ilmu Komputer (KONIK) 2023, p.8, 2023, Accessed: Jul. 17, 2024. [Online]. Available: https://prosiding.konik.id/ index.php/konik/article/view/214
S. Chohan, A. Nugroho, A. Maezar Bayu Aji, and W. Gata, “Analisis Sentimen Aplikasi Duolingo Menggunakan Metode Naïve Bayes dan Synthetic Minority Over Sampling Technique,†Paradigma – Jurnal Informatika dan Komputer, vol. 22, no. 2, pp. 141-150, Sep. 2020, doi: 10.31294/p.v21i2.
D. Novira and A. Lattu, “Analisis Sentimen Masyarakat Di Instagram Mengenai Kereta Cepat Jakarta-Bandung Menggunakan Algoritma Naïve Bayes ClassifieR,†SISMATIK (Seminar Nasional Sistem Informasi dan Manajemen Informatika), pp. 213-223, Aug. 2023, Accessed: Jul. 17, 2024. [Online]. Available: https://sismatik.nusaputra.ac.id/ index.php/ sismatik/article/view/214
L. Yusuf and S. Masripah, “Sentimen Analisis Chatgpt Dengan Algoritma Naïve Bayes Dan Optimasi PSO,†INTI Nusa Mandiri, vol. 18, no. 1, pp. 59–64, Aug. 2023, doi: 10.33480/inti.v18i1.4230.
C. P. Yanti, N. L. W. S. R. Ginantra, D. A. P. Wulandari, and N. P. A. I. Paramita, “Komparasi Metode Single Moving Average dan Double Exponential Smoothing untuk Peramalan Penjualan Produk Gerabah pada UD. Amerta Sedana,†JURIKOM (Jurnal Riset Komputer), vol. 9, no. 3, pp. 536-545, Jun. 2022, doi: 10.30865/jurikom.v9i3.4143.
N. T. Romadloni, I. Santoso, and S. Budilaksono, “Perbandingan Metode Naive Bayes, Knn Dan Decision Tree Terhadap Analisis Sentimen Transportasi Krl Commuter Line,†Jurnal IKRA-ITH Informatika, vol. 3, no. 2, pp. 1–9, Jul. 2019, Accessed: Jul. 17, 2024. [Online]. Available: https://ojs.upi-yai.ac.id/index.php/ikraith-informatika/article/view/311
