Logo Lanfrica
  • Accueil
  • Atlas
  • Analyses
  • Documentation
  • Sign in

© 2026 Lanfrica. Tous droits réservés. Tous les droits d'auteur des ressources affichées sur le site Web Lanfrica appartiennent aux détenteurs de droits d'auteur d'origine, sauf indication contraire explicite.

Sentiment Analysis Komentar Berbahasa Bengkulu Menggunakan Long Short-Term Memory (LSTM)

Domaine:

natural language processing

Type de record:

paper
Créateur:
SafRuvFerKur
Éditeur:
UNI
Hôte:
Salah satu jenis informasi yang bisa didapatkan dari media sosial adalah informasi sentimen. Sentimen memiliki arti pendapat dan pandangan masyarakat yang mengandung perasaan di dalamnya. Analisis sentimen dapat digunakan untuk menganalisis nilai sentimen apakah sentimen tersebut merupakan sentimen yang cenderung netral, negatif, atau positif. Pemodelan analisis sentimen untuk berbagai bahasa diperlukan karena setiap bahasa memiliki karakteristik dan keunikannya masing-masing, tidak terkecuali Bahasa Bengkulu. Pemodelan sentimen Bahasa Bengkulu belum tersedia, oleh karena itu pada penelitian ini akan dikembangkan model analisis sentimen Bahasa Bengkulu dengan menerapkan Long Short-Term Memory (LSTM) dan dilakukan eksperimen arsitektur Long Short-Term Memory (LSTM) untuk mendapatkan arsitektur yang menghasilkan nilai terbaik. Data yang digunakan dalam penelitian berjumlah 24.000 komentar berbahasa Bengkulu yang diperoleh dari media sosial Instagram, Twitter, dan Youtube. Penelitian eksperimen 1 menghasilkan nilai akurasi yang paling baik dibandingkan dengan hasil pengujian pada eksperimen lainnya, dengan nilai akurasi sebesar 0,87 dengan presicission bernilai 0,80, recall bernilai 0,82 dan F1-score bernilai 0,81.

Visit

doi.org

Tasks

sentiment analysistext classification

Languages

Pévé

Licenses

https://creativecommons.org/licenses/by-sa/4.0

Similaires

Pavement Roughness Prediction Using Long Short-Term Memory (LSTM) Neural NetworksModelling Itasy Lake Water Quality by Long Short Term Memory (LSTM) using Landsat8 DataPrediction of Oil Palm Production Using Recurrent Neural Network Long Short-Term Memory (RNN-LSTM)PENGEMBANGAN SISTEM PENERJEMAH BAHASA ISYARAT INDONESIA KE DALAM TEKS SECARA REAL-TIME UNTUK KOSAKATA TERBATAS MENGGUNAKAN MEDIAPIPE DAN LONG SHORT-TERM MEMORY (LSTM) DEVELOPMENT OF INDONESIAN SIGN LANGUAGE TRANSLATION SYSTEM INTO TEXT IN REAL-TIME FOR LIMITED VOCABULARY USING MEDIAPIPE HOLISTIC AND LONG SHORT-TERM MEMORY (LSTM)Part-of-Speech Tagging Using Long Short Term Memory (LSTM): Amazigh Text Written in Tifinaghe CharactersA Convolutional neural network-long short-term memory (CNN-LSTM) model approach towards improving HBV prediction

Pavement Roughness Prediction Using Long Short-Term Memory (LSTM) Neural Networks

Accurate prediction of pavement roughness — quantified by the International Roughness Index

Modelling Itasy Lake Water Quality by Long Short Term Memory (LSTM) using Landsat8 Data

Modeling lake water quality is very important to preserve and protect this resource. Several algorit

Prediction of Oil Palm Production Using Recurrent Neural Network Long Short-Term Memory (RNN-LSTM)

PENGEMBANGAN SISTEM PENERJEMAH BAHASA ISYARAT INDONESIA KE DALAM TEKS SECARA REAL-TIME UNTUK KOSAKATA TERBATAS MENGGUNAKAN MEDIAPIPE DAN LONG SHORT-TERM MEMORY (LSTM) DEVELOPMENT OF INDONESIAN SIGN LANGUAGE TRANSLATION SYSTEM INTO TEXT IN REAL-TIME FOR LIMITED VOCABULARY USING MEDIAPIPE HOLISTIC AND LONG SHORT-TERM MEMORY (LSTM)

Di tengah masyarakat yang semakin terhubung, kemampuan untuk saling memahami menjadi kunci penting d

Part-of-Speech Tagging Using Long Short Term Memory (LSTM): Amazigh Text Written in Tifinaghe Characters

A Convolutional neural network-long short-term memory (CNN-LSTM) model approach towards improving HBV prediction

major challenge in clinical diagnostics, particularly in differentiating acute from chronic cases us