ANALISIS SENTIMEN MASYARAKAT TERHADAP FENOMENA CHILDFREE MENGGUNAKAN METODE LONG SHORT TERM MEMORY DAN BIDIRECTIONAL ENCODER REPRESENTATIONS FROM TRANSFORMERS DI TWITTER

ANALYSIS OF PUBLIC SENTIMENT ON CHILDFREE PHENOMENA USING LONG SHORT TERM MEMORY AND BIDIRECTIONAL ENCODER REPRESENTATIONS FROM TRANSFORMERS METHODS IN TWITTER

Media sosial menjadi sarana bagi masyarakat untuk saling berinteraksi secara virtual. Penggunaan media sosial tidak terbatas pada berinteraksi saja, melainkan menjadi sarana pemanfaatan dalam melakukan penelitian, seperti halnya pada media sosial twitter. Twitter menjadi tempat yang ramai ketika terdapat isu terkini di negara ini bahkan dunia, beberapa isu terkini menjadi perhatian khusus oleh masyarakat, salah satunya tentang isu fenomena childfree, sehingga penelitian ini dilakukan dengan tujuan untuk mengetahui analisis sentimen terhadap fenomena menggunakan metode Long Short Term Memory dengan Bidirectional Encoder Representations from Transformers di twitter, ini menjadi kombinasi model yang dapat meningkatkan akurasi. Data yang digunakan yaitu berjumlah 3000 data dari twitter. Pada pengujian model dilakukan dengan pengujian beberapa parameter untuk mendapatkan model yang optimal diantaranya ukuran batch size 128, dropout 0.5, dense layer 32 dan lstm layer 64. Hyperparameter tersebut dilakukan pelatihan model yang menghasilkan performa terbaik dengan akurasi sebesar 0.9585, f1-score 0.9589, loss 0.1001, kemudian model dapat memprediksi tweets childfree dan menghasilkan precision sebesar 0.7839, recall 0.77, dan f1-score 0.7697.

Social media is a means for people to interact with each other virtually. The use of social media is not limited to interacting, but is a means of utilization in conducting research, as is the case with Twitter social media. Twitter becomes a busy place when there are current issues in this country and even the world, some of the latest issues are of particular concern to the public, one of which is the issue of the childfree phenomenon, so this research was conducted with the aim of knowing sentiment analysis of the phenomenon using the Long Short Term Memory method with Bidirectional Encoder Representations from Transformers on twitter, this is a combination model that can improve accuracy. The data used is 3000 data from Twitter. In model testing, several parameters were tested to obtain the optimal model including batch size 128, dropout 0.5, dense layer 32 and lstm layer 64. The hyperparameters were model trained which produced the best performance with an accuracy of 0.9585, f1-score 0.9589, loss 0.1001, then the model can predict childfree tweets and produce a precision of 0.7839, a recall of 0.77 , and an f1-score of 0.7697.