Detail Cantuman

Deep Belief Network adalah jenis jaringan saraf tiruan yang banyak digunakan dalam pembelajaran mesin dan tugas pembelajaran mendalam yang memungkinkannya mempelajari representasi hierarkis dari data input. Namun, Deep Belief Network memiliki kekurangan karena sensitif terhadap hyperparameter. DBN memiliki beberapa hyperparameter yang perlu dipilih dengan tepat agar jaringan dapat berfungsi secara efektif. Pilihan hyperparameter yang buruk dapat menyebabkan pelatihan yang tidak stabil atau kinerja yang buruk. Oleh karena itu, algoritma Particle Swarm Optimization digunakan untuk mencari hyperparameter terbaik, yang dapat menghasilkan pelatihan yang stabil dan peningkatan kinerja. Tujuan dari penelitian ini adalah menganalisis sentimen publik di Twitter menggunakan metode Deep Belief Network dan mengoptimalkannya menggunakan Particle Swarm Optimization. Hasil evaluasi yang diperoleh pada penelitian ini adalah akurasi 71,4%, presisi 71,7%, recall 71,4%, dan F1-score 71,2% pada model Deep Belief Network yang dioptimasi oleh algoritma Particle Swarm Optimization, sedangkan jika dibandingkan dengan Deep Belief Network model saja mendapatkan hasil evaluasi 68,3% Accuracy, 69,0% Precision, 68,3% Recall dan 68,0% F1-score. Hasil tersebut menunjukkan bahwa penggunaan algoritma Particle Swarm Optimization cukup berpengaruh dalam menganalisis sentimen pada teks.