EVALUASI CONVOLUTIONAL NEURAL NETWORK DALAM ANALISIS SENTIMEN TEKS MEDIA SOSIAL DENGAN PEMBELAJARAN TERAWASI

Abstract

Perkembangan teknologi informasi dan komunikasi mendorong meningkatnya penggunaan media sosial sebagai sarana berbagi informasi, opini, maupun pengalaman sehari-hari. Analisis sentimen pada teks media sosial menghadapi sejumlah tantangan, seperti panjang teks yang relatif singkat, penggunaan bahasa tidak baku, singkatan, serta keberadaan slang atau bahasa gaul. Oleh karena itu, diperlukan metode yang mampu menangani keragaman Bahasa. Penelitian ini bertujuan untuk mengevaluasi kinerja Convolutional Neural Network (CNN) dalam klasifikasi sentimen berbasis pembelajaran terawasi. Arsitektur CNN yang digunakan berbasis 1D convolution layer dengan input berupa representasi word embedding hasil transformasi teks menjadi vektor numerik berdimensi tetap. Proses konvolusi dilakukan untuk mengekstraksi fitur semantik dari urutan kata dengan lapisan max pooling untuk mereduksi dimensi fitur dan mempertahankan informasi paling representatif. Hasil ekstraksi fitur kemudian diteruskan ke lapisan fully connected dengan aktivasi Softmax untuk klasifikasi sentimen positif dan negatif. Evaluasi performa model dilakukan menggunakan kurva AUC-ROC dan Confusion Matrix. Hasil penelitian menunjukkan bahwa model CNN mampu memberikan performa klasifikasi yang baik dengan nilai AUC mendekati 1 dan tingkat kesalahan yang rendah pada prediksi false negative. Hasil penelitian ini menunjukkan bahwa CNN dengan 1D convolution efektif dalam menangani data teks tidak terstruktur dan menjadi alternatif untuk analisis sentimen berbasis deep learning.