ANALISIS SENTIMEN TERKAIT KERETA CEPAT JAKARTA BANDUNG MENGGUNAKAN METODE LONG SHORT-TERM MEMORY
RAI FADHLURRAHMAN, Dr.Abdurrakhman, S.Si., M.Si.
2024 | Skripsi | STATISTIKA
Proyek kereta cepat Jakarta-Bandung telah
menjadi fokus utama pemerintah dalam mendukung pertumbuhan ekonomi dan
konektivitas antar kota. Proyek ini tidak hanya menjadi perbincangan hangat di
kalangan masyarakat, tetapi juga menciptakan ekspektasi dan harapan yang tinggi
terkait dampak positifnya. Penelitian ini bertujuan untuk menganalisis sentimen
masyarakat terkait hadirnya kereta cepat Jakarta-Bandung dengan menggunakan
metode Long Short-Term Memory (LSTM) dan membandingkannya dengan metode basic
Naïve Bayes dan Random Forest. Data yang digunakan dalam penelitian ini diambil
dari platform X melalui proses web scrapping. Sentimen dari pengguna X
dikategorikan menjadi dua kelas, yaitu positif dan negatif. Proses analisis
melibatkan beberapa tahapan seperti text preprocessing, tokenisasi, dan
pemodelan LSTM. Hasil dari penelitian ini menunjukkan bahwa LSTM dengan Cross-Validation
memberikan performa terbaik dengan akurasi sebesar 83.47% dibandingkan dengan LSTM
dengan akurasi 83,21%, Naïve Bayes dengan akurasi 76.03%, dan Random Forest
dengan akurasi sebesar 80.30%.
The Jakarta-Bandung high-speed railways project
has become the government's main focus in supporting economic growth and
connectivity between cities. This project is not only a hot topic among the
public, but also creates high expectations and hopes regarding its positive
impacts. This study aims to analyze public sentiment regarding the presence of
the Jakarta-Bandung high-speed railways using the Long Short-Term Memory (LSTM)
method and compare it with the basic Naïve Bayes and Random Forest methods. The
data used in this study were taken from the X platform through a web scraping
process. Sentiments from X users are categorized into two classes, namely
positive and negative. The analysis process involves several stages such as
text preprocessing, tokenization, and LSTM modeling. The results of this study
indicate that LSTM with Cross-Validation provides the best performance with an
accuracy of 83.47% compared to LSTM with an accuracy of 83.21%, Naïve Bayes
with an accuracy of 76.03%, and Random Forest with an accuracy of 80.30%.
Kata Kunci : Analisis Sentimen, Kereta Cepat Jakarta-Bandung, Long Short-Term Memory
