Implementasi Long Short Term Memory pada klasifikasi Teks
Abstract
Meskipun keduanya terkadang digunakan secara bergantian, istilah “pembelajaran mesin” dan “AI” memiliki arti yang berbeda. Tidak semua kecerdasan buatan adalah pembelajaran mesin adalah perbedaan yang signifikan di antara keduanya. Pada awalnya, machine learning dan natural language processing (NLP) saling berkaitan karena machine learning sering digunakan sebagai alat bantu untuk tugas-tugas NLP. Keuntungan dari NLP adalah dapat melakukan analisis dan memeriksa banyak data, termasuk komentar di akun media sosial dan ratusan evaluasi pelanggan online. Penelitian ini menggunakan Long Short Term Memory sebagai algoritma klasifikasi teks dengan menggunakan 18.000 dokumen newsgroup dari 20 newsgroup dari The UCI KDD Archive.
Downloads
References
Adriono, E., Somantri, M., & Suryono, C. A. (2022). Model Prediksi Jumlah Pakan menggunakan Algoritma Evolusi Pikiran - Jaringan Syaraf Tiruan Rambatan Balik untuk Budidaya Udang. Jurnal Kelautan Tropis, 25(2), 266–278. https://doi.org/10.14710/jkt.v25i2.14256
Agustiningsih, K. K., Utami, E., Muhammad, O., & Alsyaibani, A. (2022). Sentiment Analysis of COVID-19 Vaccines in Indonesia on Twitter Using Pre-Trained and Self-Training Word Embeddings. 1, 39–46.
Amalia, J. (2022). Membangun Slang Dictionary Untuk Normalisasi Teks Menggunakan Pre-Trained Fasttext Model. JSR: Jaringan Sistem Informasi Robotik, 6(2), 250–256. https://doi.org/10.58486/jsr.v6i2.184
Dicky Wahyu Hariyanto, W. M. (2020). Analisis Sentimen Pada Media Sosial Twitter. 12(1), 79–86.
Fransiska, S., & Irham Gufroni, A. (2020). Sentiment Analysis Provider by. U on Google Play Store Reviews with TF-IDF and Support Vector Machine (SVM) Method. Scientific Journal of Informatics, 7(2), 2407–7658. http://journal.unnes.ac.id/nju/index.php/sji
Fudholi, D. H., Zahra, A., & Nayoan, R. A. N. (2022). A Study on Visual Understanding Image Captioning using Different Word Embeddings and CNN-Based Feature Extractions. Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control, 4(1), 91–98. https://doi.org/10.22219/kinetik.v7i1.1394
Ghaleini, E. N., Koopialipoor, M., Momenzadeh, M., Sarafraz, M. E., Mohamad, E. T., & Gordan, B. (2019). A combination of artificial bee colony and neural network for approximating the safety factor of retaining walls. Engineering with Computers, 35(2), 647–658. https://doi.org/10.1007/s00366-018-0625-3
Hadiprakoso, R. B., Qomariasih, N., & Yasa, R. N. (2021). Identifikasi Malware Android Menggunakan Pendekatan Analisis Hibrid Dengan Deep Learning. Jurnal Teknologi Informasi Universitas Lambung Mangkurat (JTIULM), 6(2), 77–84. https://doi.org/10.20527/jtiulm.v6i2.82
Handayani, S. F., Pratiwi, R. W., Dairoh, D., & Af’idah, D. I. (2022). Analisis Sentimen pada Data Ulasan Twitter dengan Long-Short Term Memory. JTERA (Jurnal Teknologi Rekayasa), 7(1), 39. https://doi.org/10.31544/jtera.v7.i1.2022.39-46
Hastomo, W., Bayangkari Karno, A. S., Kalbuana, N., Meiriki, A., & Sutarno. (2021). Characteristic Parameters of Epoch Deep Learning to Predict Covid-19 Data in Indonesia. Journal of Physics: Conference Series, 1933(1). https://doi.org/10.1088/1742-6596/1933/1/012050
Hermanto, D. T., Setyanto, A., & Luthfi, E. T. (2021). Algoritma LSTM-CNN untuk Binary Klasifikasi dengan Word2vec pada Media Online. Creative Information Technology Journal, 8(1), 64. https://doi.org/10.24076/citec.2021v8i1.264
Khasanah, I. N. (2021). Sentiment Classification Using fastText Embedding and Deep Learning Model. Procedia CIRP, 189, 343–350. https://doi.org/10.1016/j.procs.2021.05.103
Qaisar, S. M. (2020). Sentiment Analysis of IMDb Movie Reviews Using Long Short-Term Memory. 2020 2nd International Conference on Computer and Information Sciences, ICCIS 2020, 12–15. https://doi.org/10.1109/ICCIS49240.2020.9257657
Salur, M. U., & Aydin, I. (2020). A Novel Hybrid Deep Learning Model for Sentiment Classification. IEEE Access, 8, 58080–58093. https://doi.org/10.1109/ACCESS.2020.2982538
Susanty, M., & Sukardi, S. (2021). Perbandingan Pre-trained Word Embedding dan Embedding Layer untuk Named-Entity Recognition Bahasa Indonesia. Petir, 14(2), 247–257. https://doi.org/10.33322/petir.v14i2.1164
Tulu, C. N. (2022). Experimental Comparison of Pre-Trained Word Embedding Vectors of Word2Vec, Glove, FastText for Word Level Semantic Text Similarity Measurement in Turkish. Advances in Science and Technology Research Journal, 16(4), 147–156. https://doi.org/10.12913/22998624/152453
Umer, M., Ashraf, I., Mehmood, A., Kumari, S., Ullah, S., & Sang Choi, G. (2021). Sentiment analysis of tweets using a unified convolutional neural network-long short-term memory network model. Computational Intelligence, 37(1), 409–434. https://doi.org/10.1111/coin.12415
Zulqarnain, M., Ghazali, R., Ghouse, M. G., & Mushtaq, M. F. (2019). Efficient processing of GRU based on word embedding for text classification. International Journal on Informatics Visualization, 3(4), 377–383. https://doi.org/10.30630/joiv.3.4.289
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Hannan Asrawi
This work is licensed under a Creative Commons Attribution 4.0 International License.
