ANALISIS PERFORMA METODE CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN WORD EMBEDDING GLOVE PADA KLASIFIKASI SENTIMEN DARI TWITTER

Abstract

Media sosial masih menjadi salah satu sarana yang digunakan untuk mengakses, berbagi, dan berdiskusi mengenai berbagai informasi dan isu-isu yang beredar di masyarakat. Setiap pengguna media sosial bebas untuk mengutarakan tanggapannya dalam menanggapi setiap informasi dan isu – isu yang ada. Salah satu media sosial untuk mengutarakan tanggapan atau opini yang sering digunakan adalah twitter. Tweet  Salah satu metode Deep Learning yang dapat digunakan untuk analisis sentimen adalah Convolutional Neural Network (CNN). Tujuan dari penelitian ini adalah menentukan metode terbaik dalam melakukan analisis sentiment pada data tweets yang diambil dari media social twitter dengan kata kunci kuliah daring. Metode analisis sentiment yang digunakan adalah model CNN dengan word embedding Glove dan tanpa Glove.  Hasil penelitian menunjukkan bahwa model CNN menggunakan word embedding Glove 100 dimensi mendapatkan nilai akurasi yang cukup tinggi yaitu 82.86 %, presisi 71%, F1-socre 70% dan waktu yang dibutuhkan untuk melakukan training selama 2 jam 47 menit 59 detik. Model CNN menggunakan word embedding tanpa glove memiliki nilai akurasi lebih kecil yaitu 77.46%, presisi 69% dan f1-score 69.4% dan waktu yang dibutuhkan untuk melakukan training model CNN tanpa glove membutuhkan waktu selama 5 jam 29 menit 15 detik. Berdasarkan performa model klasifikasi maka model terbaik yang diperoleh adalah model CNN dengan word embedding menggunakan Glove.