Sulistyo, Nugraha Adi (2026) Perbandingan algoritma recurrent neural network (lstm dan gru) dengan algoritma transformer (bert) pada analisis sentimen dengan topik bitcoin halving. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text (COVER)
COVER.pdf Download (114kB) | Preview |
|
|
Text (ABSTRAK)
ABSTRAK.pdf Download (100kB) | Preview |
|
![[img]](https://digilib.uinsgd.ac.id/style/images/fileicons/other.png) |
Other (SURAT BEBAS PLAGIARISME)
SURAT BEBAS PLAGIARISME.pdf Download (399kB) |
|
|
Text (DAFTAR ISI)
DAFTAR ISI.pdf Download (132kB) | Preview |
|
|
Text (BAB I)
BAB I.pdf Download (164kB) | Preview |
|
![[img]](https://digilib.uinsgd.ac.id/style/images/fileicons/text.png) |
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (596kB) |
|
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (254kB) |
|
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (1MB) |
|
|
Text (BAB V)
BAB V.pdf Restricted to Registered users only Download (101kB) |
|
|
Text (DAFTAR PUSTAKA)
DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (101kB) |
Abstract
Peristiwa Bitcoin Halving merupakan salah satu momen krusial dalam ekosistem kripto yang kerap memicu lonjakan dinamika opini dan sentimen publik di media sosial, khususnya X (sebelumnya Twitter). Tingginya volatilitas opini publik ini menciptakan tantangan dalam memahami kecenderungan respons pasar secara akurat. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap Bitcoin Halving serta membandingkan performa tiga algoritma pembelajaran mesin dan deep learning, yaitu Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), dan Bidirectional Encoder Representations from Transformers (BERT). Kerangka kerja yang digunakan dalam penelitian ini mengadopsi metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM) yang meliputi enam tahapan utama: Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Metode penelitian dilakukan dengan mengumpulkan data cuitan Twitter terkait Bitcoin Halving, melakukan pembersihan dan pra-pemrosesan data (preprocessing), melakukan pelabelan sentimen, serta membagi dataset ke dalam beberapa proporsi rasio data latih dan data uji (mulai dari 90:10 hingga 50:50). Selanjutnya, ketiga model (LSTM, GRU, dan BERT) dilatih dan dievaluasi berdasarkan metrik Accuracy, Precision, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa penerapan kerangka CRISP-DM efektif dalam menstrukturkan alur analisis sentimen data media sosial. Berdasarkan pengujian dan evaluasi performa model pada berbagai rasio pembagian data, model BERT secara konsisten menghasilkan tingkat akurasi dan metrik evaluasi tertinggi dibandingkan dengan model LSTM dan GRU. Hasil ini mengindikasikan bahwa arsitektur berbasis transformer lebih unggul dalam memahami konteks dan semantik bahasa kompleks pada data teks singkat dari Twitter. Hasil analisis sentimen ini diharapkan dapat memberikan gambaran komprehensif mengenai persepsi publik terhadap Bitcoin Halving serta menjadi acuan bagi peneliti dan praktisi di bidang analisis data finansial berbasis media sosial.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Uncontrolled Keywords: | Analisis Sentimen; Bitcoin Halving; Twitter; CRISP-DM; LSTM; GRU; BERT |
| Subjects: | Data Processing, Computer Science Financial Economics, Finance > Investment Technology, Applied Sciences |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Informatika |
| Depositing User: | NUGRAHA ADI SULISTYO NUGRAHA ADI SULISTYO |
| Date Deposited: | 23 Oct 2026 06:29 |
| Last Modified: | 23 Oct 2026 07:21 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/144579 |
Actions (login required)
 |
View Item |
