Analisis Senntimen komentar penguguna di twitch menggunakan Long Short Term Memory (LSTM)

Fathur Rahman, Andhika (2025) Analisis Senntimen komentar penguguna di twitch menggunakan Long Short Term Memory (LSTM). Skripsi thesis, UNIVERSITAS SANGGA BUANA YPKP.

	Text cover andhika.pdf Available under License Creative Commons Public Domain Dedication. Download (97kB)
	Text Lembar pernyataan andhika.pdf Available under License Creative Commons Public Domain Dedication. Download (179kB)
	Text lembar pengesahaan andhika.pdf Available under License Creative Commons Public Domain Dedication. Download (210kB)
	Text Abstract andhika.pdf Available under License Creative Commons Public Domain Dedication. Download (275kB)
	Text Bab 1 Andhika.pdf Available under License Creative Commons Public Domain Dedication. Download (153kB)
	Text Skripsi full andhika.pdf Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy
	Text dafpus andhika.pdf Available under License Creative Commons Public Domain Dedication. Download (201kB)
	Text plagiat andhika.pdf Available under License Creative Commons Public Domain Dedication. Download (176kB)

Abstract

Andhika Fathur Rahman, Analisis Sentimen Komentar Pengguna di Twitch Menggunakan Long Short-Term Memory (LSTM), di bawah bimbingan Dr. Teguh Nurhadi Suharsono S.T.,M.T. Twitch merupakan platform live streaming yang menyediakan ruang interaksi antara streamer dan pengguna melalui komentar. Komentar-komentar ini dapat mencerminkan opini, emosi, dan persepsi publik, sehingga menjadi data penting untuk dianalisis. Namun, karakteristik bahasa yang digunakan dalam komentar Twitch, seperti singkatan, emote, hingga bahasa gaul, menghadirkan tantangan tersendiri dalam proses analisis sentimen. Penelitian ini bertujuan untuk menganalisis sentimen komentar pengguna di Twitch menggunakan algoritma Long Short-Term Memory (LSTM), sebuah arsitektur jaringan saraf dalam deep learning yang mampu mengenali pola pada data berurutan. Dataset diambil dari Kaggle dan terdiri atas lebih dari 97.000 komentar. Proses penelitian melibatkan tahapan preprocessing teks, seperti case folding, stopword removal, normalisasi kata, tokenizing, dan lemmatization, serta penanganan data tidak seimbang dan evaluasi model menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa model LSTM mampu mengklasifikasikan komentar pengguna Twitch ke dalam tiga kategori sentimen—positif, netral, dan negatif—dengan akurasi yang baik. Penerapan model ini berpotensi membantu pengembang platform dan pelaku industri dalam memahami opini pengguna secara otomatis dan real-time, serta menjadi acuan pengambilan keputusan berbasis data.

Actions (login required)

View Item