Perbandingan Kinerja Algoritma Convolutional Neural Network (CNN) dan Recurrent Neural Network (RNN) pada Analisis Sentimen Pemilu Presiden 2024
DOI:
https://doi.org/10.52436/1.jpti.652Keywords:
Analisis Sentimen, Convolutional Neural Network, Recurrent Neural Network, Pemilu 2024, TwitterAbstract
Penelitian ini mengevaluasi kinerja algoritma Convolutional Neural Network (CNN) dan Recurrent Neural Network (RNN) dalam analisis sentimen opini masyarakat terkait Pemilihan Umum Presiden 2024 di Indonesia. Pentingnya penelitian ini terletak pada upaya memahami pola sentimen masyarakat terhadap isu politik melalui pendekatan pembelajaran mendalam. Data dikumpulkan dari opini pengguna Twitter menggunakan kata kunci tertentu selama periode November 2023 hingga April 2024. Metode yang digunakan meliputi crawling data, preprocessing, pembobotan TF-IDF, serta penyeimbangan data dengan metode SMOTETomek. Model dievaluasi menggunakan K-Fold Cross Validation. Hasil penelitian menunjukkan bahwa CNN dengan resampling mencapai rata-rata akurasi validasi 99%, sedangkan RNN hanya mencapai 77,13%. Tanpa resampling, CNN memiliki rata-rata akurasi 94% dibandingkan dengan RNN sebesar 87,04%. CNN terbukti unggul dalam presisi dan efisiensi waktu, terutama pada dataset tidak seimbang. Temuan ini memberikan wawasan penting tentang pemanfaatan algoritma pembelajaran mendalam untuk analisis sentimen politik dan dapat menjadi dasar bagi pengembangan metode serupa di masa depan.
Downloads
References
I. Syahrohim, S. D. Saputra, R. W. Saputra, V. H. Pranatawijaya, and R. Priskila, “PERBANDINGAN ANALISIS SENTIMEN SETELAH PILPRES 2024 DI TWITTER MENGGUNAKAN ALGORITMA MACHINE LEARNING,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 2, Apr. 2024, doi: 10.23960/jitet.v12i2.4249.
T. R. Dhanny Susetyawidianta Dan Galang Geraldy, “POLITICAL BRANDING PRABOWO-GIBRAN DALAM PEMILU PRESIDEN 2024: ANALISA INTERAKSIONISME SIMBOLIK DI MEDIA SOSIAL INSTAGRAM DAN,” vol. 3, no. 1, 2024, [Online]. Available: https://jurnal.untag-sby.ac.id/index.php/sintesa
Ning Ayunda Chofifi and Eny Kusdarini, “Perkembangan Putusan Mahkamah Konstitusi dalam Menangani Perkara Perselisihan Hasil Pemilihan Umum Presiden,” Jurnal Hukum IUS QUIA IUSTUM, vol. 31, no. 2, pp. 408–433, Sep. 2024, doi: 10.20885/iustum.vol31.iss2.art8.
Rita Kusumawati, “Analisis Sentimen Pengguna Twitter Mengenai Pemilihan Presiden (Pilpres) Tahun 2024 Dengan Metode Naïve Bayes Classifier,” 2022, Accessed: Oct. 01, 2024. [Online]. Available: https://digilib.uin- suka.ac.id/id/eprint/53735/1/18106050008_BAB-I_IV-atau-V_DAFTAR-PUSTAKA.pdf
M. Wankhade, A. C. S. Rao, and C. Kulkarni, “A survey on sentiment analysis methods, applications, and challenges,” Artif Intell Rev, vol. 55, no. 7, pp. 5731–5780, Oct. 2022, doi: 10.1007/s10462-022-10144-1.
D. W. Otter, J. R. Medina, and J. K. Kalita, “A Survey of the Usages of Deep Learning for Natural Language Processing,” IEEE Trans Neural Netw Learn Syst, vol. 32, no. 2, pp. 604–624, Feb. 2021.
A. Rajput, “Natural language processing, sentiment analysis, and clinical analytics,” pp. 79–97, Feb. 2019.
E. Y. Hidayat and D. Handayani, “Penerapan 1D-CNN untuk Analisis Sentimen Ulasan Produk Kosmetik Berdasar Female Daily Review,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 8, no. 3, pp. 153–163, Jan. 2023, doi: 10.25077/teknosi.v8i3.2022.153-163.
B. Laurensz, A. Sentimen, and E. Sediyono, “Analisis Sentimen Masyarakat terhadap Tindakan Vaksinasi dalam Upaya Mengatasi Pandemi Covid-19 (Analysis of Public Sentiment on Vaccination in Efforts to Overcome the Covid-19 Pandemic),” 2021.
D. A. N. Taradhita and I. K. G. D. Putra, “Hate speech classification in Indonesian language tweets by using convolutional neural network,” Journal of ICT Research and Applications, vol. 14, no. 3, pp. 225–239, 2021, doi: 10.5614/itbj.ict.res.appl.2021.14.3.2.
F. Gurcan and A. Soylu, “Learning from Imbalanced Data: Integration of Advanced Resampling Techniques and Machine Learning Models for Enhanced Cancer Diagnosis and Prognosis,” Cancers (Basel), vol. 16, no. 19, Oct. 2024, doi: 10.3390/cancers16193417.
M. Humayun, D. Javed, N. Jhanjhi, M. Fahaad Almufareh, and S. Naif Almuayqil, “Deep Learning Based Sentiment Analysis of COVID-19 Tweets via Resampling and Label Analysis,” Computer Systems Science and Engineering, vol. 47, no. 1, pp. 575–591, 2023, doi: 10.32604/csse.2023.038765.
J. Jumanto, M. A. Muslim, Y. Dasril, and T. Mustaqim, “Accuracy of Malaysia Public Response to Economic Factors During the Covid-19 Pandemic Using Vader and Random Forest,” Journal of Information System Exploration and Research, vol. 1, no. 1, pp. 49–70, Dec. 2022, doi: 10.52465/joiser.v1i1.104.
Yosua Alberth Sir and Agus H H Soepranoto, “Pendekatan Resampling Data Untuk Menangani Masalah Ketidakseimbangan Kelas,” Semantic Scholar, Mar. 2022.
D. Shabrina Assyifa and A. Luthfiarta, “SMOTE-Tomek Re-sampling Based on Random Forest Method to Overcome Unbalanced Data for Multi-class Classification,” Inform?: Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi, vol. 9, no. 2, pp. 151–160, Jul. 2024, doi: 10.25139/inform.v9i2.8410.
I. K. Trisiawan and Y. Yuliza, “Penerapan Multi-Label Image Classification Menggunakan Metode Convolutional Neural Network (CNN) Untuk Sortir Botol Minuman,” Jurnal Teknologi Elektro, vol. 13, no. 1, p. 48, Feb. 2022, doi: 10.22441/jte.2022.v13i1.009.
B. A. Yuniarossy et al., “ANALISIS SENTIMEN TERHADAP ISU FEMINISME DI TWITTER MENGGUNAKAN MODEL CONVOLUTIONAL NEURAL NETWORK (CNN),” vol. 5, no. 1, 2024, doi: 10.46306/lb.v5i1.
M. E. Basiri, M. A. S. Nemati, E. Cambria, and U. R. Acharya, “ABCDM: An Attention-based Bidirectional CNN-RNN Deep Model for sentiment analysis,” Future Generation Computer Systems, vol. 115, pp. 279–294, 2021, doi: 10.1016/j.future.2020.08.005.
I. N. Husada and H. Toba, “Pengaruh Metode Penyeimbangan Kelas Terhadap Tingkat Akurasi Analisis Sentimen pada Tweets Berbahasa Indonesia,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 6, no. 2, Aug. 2020, doi: 10.28932/jutisi.v6i2.2743.
M. Rahardi, A. Majid, A. Aminuddin, F. Abdulloh, and R. Nugroho, “Sentiment Analysis of Covid-19 Vaccination using Support Vector Machine in Indonesia,” International Journal of Advanced Computer Science and Applications, vol. 13, 2022.
S. Syafrizal, M. Afdal, and R. Novita, “Analisis Sentimen Ulasan Aplikasi PLN Mobile Menggunakan Algoritma Naïve Bayes Classifier dan K-Nearest Neighbor,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 1, pp. 10–19, Dec. 2023, doi: 10.57152/malcom.v4i1.983.
Putri Lannidya Parameswari and Prihandoko Prihandoko, “PENGGUNAAN CONVOLUTIONAL NEURAL NETWORK UNTUK ANALISIS SENTIMEN OPINI LINGKUNGAN HIDUP KOTA DEPOK DI TWITTER,” Jurnal Ilmiah Teknologi dan Rekayasa, vol. 27, no. 1, pp. 29–42, 2022.
