Perbandingan Algoritma XGboost dan Lstm dalam Analisis Sentimen
Syarifah, Raista Fitraliza (2026) Perbandingan Algoritma XGboost dan Lstm dalam Analisis Sentimen. Skripsi thesis, Universitas Tanjungpura.
|
PDF (Cover-Bab1)
Cover-Bab1_D1041211013.pdf - Published Version Download (653kB) |
|
|
PDF (D1041211013_SYARIFAH_RAISTA_FITRALIZA)
D1041211013_SYARIFAH_RAISTA_FITRALIZA.pdf - Accepted Version Restricted to Repository staff only Download (4MB) |
Abstract
Tingginya volume opini publik berbasis teks di media digital memerlukan analisis sentimen untuk klasifikasi secara otomatis. Pengolahan data teks yang kompleks ini sangat bergantung pada pemilihan algoritma yang tepat. Oleh karena itu, penelitian ini bertujuan membandingkan performa algoritma Extreme Gradient Boosting (XGBoost) dan Long Short-Term Memory (LSTM) dalam mengklasifikasikan sentimen menjadi positif, netral, atau negatif dengan fokus pada nilai akurasi. Pengujian dilakukan menggunakan dua dataset dengan karakteristik berbeda, yaitu opini Program Makan Bergizi Gratis pada platform X serta ulasan produk makanan dan minuman pada platform Tokopedia. Untuk menangani karakteristik distribusi data pada kedua dataset tersebut, penelitian ini menerapkan penyeimbangan data melalui metode SMOTE dan ADASYN serta skenario tambahan dengan melakukan undersampling terlebih dahulu sebelum dilakukan SMOTE dan ADASYN, diikuti hyperparameter tuning berbasis Random Search dan Tree-structured Parzen Estimator (TPE). Hasil pengujian menunjukkan bahwa LSTM dengan skenario data asli yang dikombinasikan dengan Random Search secara konsisten menghasilkan akurasi tertinggi pada kedua dataset, yaitu sebesar 0,8625 pada data Makan Bergizi Gratis dan 0,8062 pada data Tokopedia. Penerapan SMOTE dan ADASYN justru memicu penurunan akurasi yang signifikan pada LSTM akibat gejala overfitting, sebab kapasitas arsitektur jaringan saraf tersebut cenderung menghafal titik data sintetis daripada mempelajari pola umum. Sebaliknya, XGBoost menunjukkan stabilitas yang jauh lebih baik terhadap gangguan data sintetis berkat mekanisme pembagian data berbasis aturan yang kaku. Adapun penerapan hyperparameter tuning menghasilkan pengaruh yang cenderung stagnan pada hasil akurasi data uji, tetapi proses ini tetap berperan penting dalam mengoptimalkan konfigurasi parameter terbaik untuk setiap arsitektur model. Berdasarkan uji signifikansi statistik menggunakan paired t-test terhadap hasil k-fold cross validation, perbedaan nilai akurasi antara LSTM dan XGBoost terbukti signifikan secara statistik.
| Item Type: | Thesis (Skripsi) | ||||||
|---|---|---|---|---|---|---|---|
| Creators: |
|
||||||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data | ||||||
| Divisions: | Fakultas Teknik > Teknik Informatika S1 | ||||||
| SWORD Depositor: | Rudiarti Rudiarti | ||||||
| Depositing User: | Rudiarti Rudiarti | ||||||
| Date Deposited: | 06 Nov 2026 03:53 | ||||||
| Last Modified: | 06 Nov 2026 03:53 | ||||||
| URI: | https://repository.untan.ac.id/id/eprint/10406 |
Actions (login required)
![]() |
View Item |
