Analisis Sentimen Komentar Berdasarkan Geo Tagged Menggunakan Algoritma Bilstm
Abstract
Abstrak–Instagram merupakan salah satu media sosial terbesar yang saat ini populer digunakan. Di sana pengguna dapat mengirim gambar, video, berbagi pesan dan bahkan menandai lokasi juga terdapat di dalamnya. Dalam sebuah postingan, terdapat kolom komentar. Jenis komentarnya sangat beragam, ada yang positif dan negatif. Komentar digunakan untuk menganalisis sentimen positif dan negatif. Dalam penelitian ini digunakan algoritma bidirectional lstm untuk proses klasifikasi. Algoritma bilstm adalah algoritma turunan dari lstm, tetapi memiliki struktur yang berbeda. BiLSTM memiliki dua lapisan lstm untuk digunakan sebagai lapisan maju dan lapisan mundur. Dataset untuk melatih model diperoleh dari data komentar yang diambil dari postingan Instagram yang berisi tag lokasi wisata. Dalam penelitian ini, Model terbaik pada sistem yang dibuat menggunakan rasio data uji dan latih dengan perbandingan 65% dan 35%, parameter learning rate sebesar 0.0001, batch size sebesar 400 dan epoch dengan jumlah 10. Pada pengujian sistem dengan model tersebut menghasilkan nilai presisi sebesar 52%, recall 75%, f1-score sebesar 52% dan akurasi sebesar 88%. Sehingga, hasil dari klasifikasi tersebut diharapkan dapat menjadi acuan masyarakat untuk mengunjungi sebuah tempat wisata.
Kata kunci— instagram, komentar sentimen, BiLSTM,References
Supratman, L. P. “Penggunaan Media Sosial oleh Digital Native”. Jurnal Ilmu Komunikasi, vol. 15. 2018
J.-Y. Lin, S.-M. Wen, M. Hirota, T. Araki, and H. Ishikawa, “Less-Known Tourist Attraction Discovery Based on Geo-Tagged Photographs,” Machine Learning and Knowledge Extraction, vol. 2, no. 4, pp. 414–435, Oct. 2020, doi: 10.3390/make2040023.
A. U. Rehman, A. K. Malik, B. Raza, and W. Ali, “A Hybrid CNN-LSTM Model for Improving Accuracy of Movie Reviews Sentiment Analysis,” Multimedia Tools and Applications, vol. 78, no. 18, pp. 26597–26613, Sep. 2019.
W. L. Lim, C. C. Ho, and C. Y. Ting, “Sentiment analysis by fusing text and location features of geo-tagged tweets,” IEEE Access, vol. 8, pp. 181014–181027, 2020.
M. Parsafard, G. Chi, X. Qu, X. Li, and H. Wang, “Error Measures for Trajectory Estimations with Geo-Tagged Mobility Sample Data,” IEEE Transactions on Intelligent Transportation Systems, vol. 20, no. 7, pp. 2566–2583, Jul. 2019.
G. Xu, Y. Meng, X. Qiu, Z. Yu, and X. Wu, “Sentiment analysis of comment texts based on BiLSTM,” IEEE Access, vol. 7, pp. 51522–51532, 2019.
K. Z. Aung and N. N. Myo, "Sentiment analysis of students' comment using lexicon based approach," 2017 IEEE/ACIS 16th International Conference on Computer and Information Science (ICIS), 2017, pp. 149-154.
Z. Li, R. Li, and G. Jin, “Sentiment analysis of danmaku videos based on naïve bayes and sentiment dictionary,” IEEE Access, vol. 8, pp. 75073–75084, 2020.
G. Jain, M. Sharma, and B. Agarwal, “Optimizing semantic LSTM for spam detection,” International Journal of Information Technology (Singapore), vol. 11, no. 2, pp. 239–250, Jun. 2019.
M. K. Balwant, "Bidirectional LSTM Based on POS tags and CNN Architecture for Fake News Detection," 2019 10th International Conference on Computing, Communication and Networking Technologies (ICCCNT), 2019, pp. 1-6.
R. Dwi, W. Santosa, M. Arif Bijaksana, and A. Romadhony, “Implementasi Algoritma Long Short-Term Memory (LSTM) untuk Mendeteksi Penggunaan Kalimat Abusive Pada Teks Bahasa Indonesia.”
Pasaribu, David Junggu Manggala; Kusrini, Kusrini; Sudarmawan, Sudarmawan. Peningkatan Akurasi Klasifikasi Sentimen Ulasan Makanan Amazon Dengan Bidirectional LSTM Dan Bert Embedding. Inspiration: Jurnal Teknologi Informasi Dan Komunikasi, vol. 10. 2020.
Rizky, Muhammad Gerald (2021) TA : Analisis Perbandingan Metode LSTM dan BiLSTM untuk Klasifikasi Sinyal Jantung Phonocardiogram. Undergraduate thesis, Universitas Dinamika.
J. Xie, B. Chen, X. Gu, F. Liang and X. Xu, "Self-Attention-Based BiLSTM Model for Short Text Fine-Grained Sentiment Classification," in IEEE Access, vol. 7, pp. 180558-180570, 2019.
J. Kwon, C. Cha and H. Park, "Multilayered LSTM with Parameter Transfer for Vehicle Speed Data Imputation," 2021 IEEE International Symposium on Circuits and Systems (ISCAS), 2021, pp. 1-5.
C. Meng, L. Zhou, and B. Liu, “A case study in credit fraud detection with SMOTE and XGboost,” in Journal of Physics: Conference Series, Aug. 2020, vol. 1601, no. 5.
Y. Yan, R. Liu, Z. Ding, X. Du, J. Chen and Y. Zhang, "A Parameter-Free Cleaning Method for SMOTE in Imbalanced Classification," in IEEE Access, vol. 7, pp. 23537-23548, 2019.
A. R. Isnain, A. Sihabuddin, and Y. Suyanto, “Bidirectional Long Short Term Memory Method and Word2vec Extraction Approach for Hate Speech Detection,” IJCCS (Indonesian Journal of Computing and Cybernetics Systems), vol. 14, no. 2, p. 169, Apr. 2020.
