Perbandingan algoritma Random Forest dan BERT untuk analisis sentimen Palestina-Israel pada media sosial X

Syarifuddin, M. (2024) Perbandingan algoritma Random Forest dan BERT untuk analisis sentimen Palestina-Israel pada media sosial X. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_Cover.pdf Download (69kB) | Preview
Preview	Text (ABSTRAK) 2_Abstrak.pdf Download (57kB) | Preview
Preview	Text (DAFTAR ISI) 3_Daftar Isi.pdf Download (73kB) | Preview
Preview	Text (BAB I) 4_BAB I.pdf Download (164kB) | Preview
	Text (BAB II) 5_BAB II.pdf Restricted to Registered users only Download (500kB)
	Text (BAB III) 6_BAB III.pdf Restricted to Registered users only Download (307kB)
	Text (BAB IV) 7_BAB IV.pdf Restricted to Registered users only Download (638kB)
	Text (BAB V) 8_BAB V.pdf Restricted to Registered users only Download (64kB)
	Text (DAFTAR PUSTAKA) 9_Daftar Pustaka.pdf Restricted to Registered users only Download (222kB)

Abstract

Penelitian ini menganalisis kinerja algoritma BERT dan Random Forest dalam analisis sentimen terkait isu yang diangkat di platform media sosial X. Dengan menerapkan metode Cross Industry Standard Process for Data Mining (CRISP-DM), penelitian ini bertujuan untuk membandingkan efektivitas kedua algoritma dalam mengidentifikasi sentimen positif dan negatif dari data yang dikumpulkan. Data dibagi dengan rasio 50:50, 60:40, 70:30, 80:20, dan 90:10 untuk mengevaluasi kinerja model. Hasil penelitian menunjukkan bahwa model BERT secara keseluruhan memiliki akurasi rata-rata sekitar 82% dan menunjukkan performa yang lebih baik dalam mendeteksi kelas negatif. Namun, BERT memerlukan waktu pelatihan dan prediksi yang lebih lama dibandingkan dengan Random Forest. Sementara itu, Random Forest menunjukkan akurasi rata-rata sekitar 76% dengan kinerja yang lebih cepat, tetapi mengalami kesulitan signifikan dalam mendeteksi kelas positif, terutama pada rasio data yang lebih rendah. Meskipun Random Forest lebih efisien dalam hal waktu, hasil evaluasi mengungkapkan bahwa model ini lebih rentan terhadap kesalahan dalam mengidentifikasi sentimen positif. Penelitian ini memberikan wawasan yang berharga bagi pengambil keputusan dan pengembang algoritma analisis sentimen, dengan menyoroti kelebihan dan kelemahan masing-masing algoritma dalam konteks analisis sentimen. Temuan ini diharapkan dapat berkontribusi pada pengembangan strategi komunikasi yang lebih efektif dan pengembangan algoritma analisis sentimen di masa depan.

Actions (login required)

View Item