Nouvaldi, Zhafran (2022) Prediksi tipe kepribadian Big five pada pengguna Twitter dengan algoritma Long Short-Term Memory. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text (COVER)
1_cover.pdf Download (47kB) | Preview |
|
|
Text (ABSTRAK)
2_abstrak.pdf Download (99kB) | Preview |
|
|
Text (DAFTAR ISI)
3_daftarisi.pdf Download (160kB) | Preview |
|
|
Text (BAB I)
4_bab1.pdf Download (132kB) | Preview |
|
![[img]](https://etheses.uinsgd.ac.id/style/images/fileicons/text.png) |
Text (BAB II)
5_bab2.pdf Restricted to Registered users only Download (344kB) | Request a copy |
|
|
Text (BAB III)
6_bab3.pdf Restricted to Registered users only Download (236kB) | Request a copy |
|
|
Text (BAB IV)
7_bab4.pdf Restricted to Registered users only Download (366kB) | Request a copy |
|
|
Text (BAB V)
8_bab5.pdf Restricted to Registered users only Download (98kB) | Request a copy |
|
|
Text (DAFTAR PUSTAKA)
9_daftarpustaka.pdf Restricted to Registered users only Download (164kB) | Request a copy |
Abstract
Penelitian prediksi kepribadian big five pengguna twitter ini melanjutkan dari penelitian sebelumnya yang menggunakan algoritma random forest yang merupakan salah satu algoritma traditional machine learning dan pada penelitian ini menggunakan algoritma LSTM yang merupakan salah satu algoritma deep learning. Penelitian ini bertujuan untuk mengetahui cara penerapan dan kinerja dari algoritma LSTM dalam melakukan klasifikasi teks pada prediksi kepribadian big five pengguna twitter. Data yang digunakan pada penelitian ini merupakan public dataset yang dipublikasikan oleh Rendy Putra Pratama pada penelitian sebelumnya yang berisi 269 data pengguna akun twitter dengan 240.000 data tweet. Metode penelitian yang digunakan adalah metode CRISP-DM. Penelitian ini menggunakan variasi data latih dan data uji dan juga algoritma CNN sebagai perbandingan dari hasil penelitian. Hasil dari penelitian ini adalah algoritma LSTM menghasilkan akurasi terbaik sebesar 77,72% pada perbandingan data latih dan data uji 80:20, dan itu lebih besar dibandingkan dengan menggunakan algoritma CNN dan juga algoritma random forest pada penelitian sebelumnya.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Uncontrolled Keywords: | Big Five; LSTM; Random Forest; CRISP-DM; CNN |
| Subjects: | Data Processing, Computer Science Psychology > Psychologist Technology, Applied Sciences |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Informatika |
| Depositing User: | Zhafran Nouvaldi |
| Date Deposited: | 03 Jan 2023 08:07 |
| Last Modified: | 03 Jan 2023 08:07 |
| URI: | https://etheses.uinsgd.ac.id/id/eprint/62415 |
Actions (login required)
 |
View Item |
