Perbandingan Algoritma LSTM dan BiLSTM Untuk Analisis Sentimen Multi-Class Media Sosial Twitter

Abstract

Perkembangan teknologi khususnya internet dan media sosial banyak digunakan oleh masyarakat. Salah satunya media sosial twitter sangat popular di Indonesia. Pengguna twitter dapat berinteraksi dan berbagi pendapat maupun opini melalui tweet. tweet ini berisi informasi berupa teks yang mengandung emosi pengguna. Analisis sentimen merupakan proses untuk menentukan emosi dari opini seseorang berupa teks. Penelitian ini, melakukan analisis multiclass menggunakan model long Short-Term Memory (LSTM) dan Bidirectional Long Short-Term Memory (BiLSTM). Model ini dipilih karena memiliki kemampuan dalam memahami data teks dan menangkap konteks temporal dalam kalimat. Penelitian dilakukan pada data sentiment yang berlabel yang diklasifikasikan dalam 5 kelas yaitu anger, fear happy, sadness, dan love. LSTM dan BILSTM dilatih menggunakan representasi vector kata dan parameter yang dioptimalkan untuk meningkatkan akurasi. Proses implemetasi juga membandingan dengan menggunakan hyperparameter learning rate, batch size, epoch embedding glove, dan penyeimbang smote. Hasil evaluasi analisis sentiment multi-class pada media sosial twitter menunjukkan bahwa model BiLSTM memiliki akurasi 60% lebih baik dibandingkan LSTM memiliki akurasi 58%.

Kata Kunci— Analisis sentimen, multi-class, Twitter, LSTM, BiLSTM