Prediksi tipe kepribadian Big five pada pengguna Twitter dengan algoritma Long Short-Term Memory

Nouvaldi, Zhafran (2022) Prediksi tipe kepribadian Big five pada pengguna Twitter dengan algoritma Long Short-Term Memory. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

[img]
Preview
Text (COVER)
1_cover.pdf

Download (47kB) | Preview
[img]
Preview
Text (ABSTRAK)
2_abstrak.pdf

Download (99kB) | Preview
[img]
Preview
Text (DAFTAR ISI)
3_daftarisi.pdf

Download (160kB) | Preview
[img]
Preview
Text (BAB I)
4_bab1.pdf

Download (132kB) | Preview
[img] Text (BAB II)
5_bab2.pdf
Restricted to Registered users only

Download (344kB) | Request a copy
[img] Text (BAB III)
6_bab3.pdf
Restricted to Registered users only

Download (236kB) | Request a copy
[img] Text (BAB IV)
7_bab4.pdf
Restricted to Registered users only

Download (366kB) | Request a copy
[img] Text (BAB V)
8_bab5.pdf
Restricted to Registered users only

Download (98kB) | Request a copy
[img] 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://digilib.uinsgd.ac.id/id/eprint/62415

Actions (login required)

View Item View Item