Prediksi Sentimen Masyarakat terhadap Pemilihan Presiden Tahun 2024 menggunakan Long Short Term Memory

Firdaus, Evant and Indah Yanti, S.Si., M.Si., and Zuraidah Fitriah, S.Si. M.si., (2024) Prediksi Sentimen Masyarakat terhadap Pemilihan Presiden Tahun 2024 menggunakan Long Short Term Memory. Sarjana thesis, Universitas Brawijaya.

Abstract

Twitter adalah platform media sosial micro-blogging yang populer dan sering digunakan dalam kampanye politik. Analisis sentimen pada twitter telah diterapkan di berbagai bidang, termasuk analisis media sosial, evaluasi persepsi publik terhadap produk, dan analisis kebutuhan bisnis. Penelitian ini bertujuan untuk memprediksi sentimen masyarakat terhadap pemilihan presiden Indonesia tahun 2024 menggunakan metode Long Short-Term Memory (LSTM). Dataset yang digunakan terdiri dari tweet mengenai tiga calon presiden: Anies Baswedan, Prabowo Subianto, dan Ganjar Pranowo. Data melalui tahap pra-proses teks, seperti tokenisasi dan padding, sebelum dilatih menggunakan model LSTM. Hasil penelitian menunjukkan bahwa model LSTM memiliki performa yang lebih baik dibandingkan Recurrent Neural Network (RNN) dalam memprediksi sentimen, dengan akurasi validasi lebih tinggi (85,04% - 88,06% untuk LSTM dibandingkan 80,15% - 83,41% untuk RNN). Selain itu, LSTM juga unggul dalam metrik recall, precision, dan F1-score. Meskipun membutuhkan waktu komputasi yang lebih lama dibandingkan RNN, model LSTM lebih efektif dalam memodelkan urutan temporal dan ketergantungan jangka panjang pada data teks, sehingga menghasilkan prediksi sentimen yang lebih akurat.

English Abstract

Twitter is a popular micro-blogging social media platform frequently used in political campaigns. Sentiment analysis on Twitter has been applied across various fields, including social media analysis, public perception evaluation of products, and business needs assessment. This study aims to predict public sentiment towards the Indonesian presidential election in 2024 using the Long Short-Term Memory (LSTM) method. Twitter was chosen as the data source due to its ability to reflect public opinion in real time. The dataset consists of tweets regarding three presidential candidates: Anies Baswedan, Prabowo Subianto, and Ganjar Pranowo. The data underwent preprocessing steps, including tokenization and padding, before being trained using the LSTM model. The results show that the LSTM model outperforms the Recurrent Neural Network (RNN) in predicting sentiment, achieving higher validation accuracy (85.04% - 88.06% for LSTM compared to 80.15% - 83.41% for RNN). Additionally, LSTM also excels in metrics such as recall, precision, and F1-score. Although LSTM requires longer computation time compared to RNN, it proves to be more effective in modeling temporal sequences and long-term dependencies in text data, resulting in more accurate sentiment predictions.

Text (DALAM MASA EMBARGO) Evant Firdaus Wafie.pdf Restricted to Registered users only Download (3MB)

Actions (login required)

View Item