Detail Cantuman

Metode Recurrent Neural Network (RNN) dalam prosesnya memiliki kelemahan yaitu gradient vanishing, yang menyebabkan proses pelatihan model tidak menunjukan kemajuan karena hilangnya beberapa nilai atau informasi seiring panjangnya input, maka dari itu sistem gerbang dikembangkan untuk mengontrol aliran informasi dengan tujuan mengatasi permasalahan tersebut, metode Gated Recurrent Unit (GRU) dibuat untuk penyelesaian masalah itu karena penerapan sistem gerbang yang digunakan dalam memodulasi aliran informasi yang masuk mampu mengatasi masalah RNN. Dalam penelitian ini diusulkan metode GRU. Model dilatih untuk mengenali polaritas pada suatu opini mejadi positif atau negatif. Parameter yang diamati perubahanya dalam penelitian ini adalah nilai Learning Rate, Batch Size, dan Epoch untuk bisa mengetahui performa model dan mendapatkan hasil optimumnya. Dalam prinsip kerjanya diterapkan juga word embedding GloVe untuk melakukan ektrasi teks dengan pemberian bobot hasil pre-trained, dilanjutkan proses pelatihan dengan dua variasi model berbeda untuk menghasilkan model terbaik, yang digunakan pada proses klasifikasi data sentimen dari sosial media twitter. Hasil penelitian yang telah dilakukan adalah model optimum didapatkan pada nilai learning rate 0,001, batch size 16, dan epoch 50 dan untuk performa pada model GRU mendapatkan nilai loss 0,083 dan untuk akurasi didapatkan pada model GRU adalah 99,23 %.