Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Malcom: Indonesian Journal of Machine Learning and Computer Science
Yoggy Montana Hendry
Universitas Esa Unggul
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Perbandingan Kinerja Model GRU dan CNN-1D untuk Analisis Sentimen Pergantian Menteri Keuangan pada Media Sosial X: Performance Comparison of GRU and CNN-1D in Sentiment Analysis for the Minister of Finance Replacement on Social Media X Yoggy Montana Hendry; Gerry Firmansyah; Hani Dewi Ariessanti; Agus Herwanto
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2556

Abstract

Media sosial X (sebelumnya Twitter) telah menjadi sumber penting untuk memahami opini publik terhadap berbagai isu sosial dan politik. Salah satu isu yang memicu beragam tanggapan masyarakat adalah pergantian Menteri Keuangan Purbaya Yudhi Sadewa. Penelitian ini bertujuan membandingkan kinerja dua arsitektur deep learning, yaitu Convolutional Neural Network satu dimensi (CNN-1D) dan Gated Recurrent Unit (GRU), dalam mengklasifikasikan sentimen publik berbahasa Indonesia ke dalam kategori positif, netral, dan negatif. Sebanyak 3.567 tweet dikumpulkan melalui API resmi platform X dalam periode 8 September hingga 8 Oktober 2025. Data diproses melalui tahapan pembersihan (cleansing data), case folding, normalisasi, dan tokenisasi. Pelabelan sentimen dilakukan menggunakan pendekatan berbasis leksikon (InSet), menghasilkan distribusi positif sebesar 1.957 (54,86%), negatif sebesar 934 (26,18%), dan netral sebesar 676 (18,95%). Hasil evaluasi menunjukkan bahwa CNN-1D mengungguli GRU dengan akurasi 80%, dibandingkan dengan 65% pada GRU. CNN-1D lebih efektif dalam mengekstraksi fitur lokal pada teks pendek, sedangkan GRU berfokus pada pemodelan dependensi sekuensial. Temuan ini menegaskan pentingnya kesesuaian antara arsitektur model dan karakteristik data dalam analisis sentimen pada teks pendek.
Co-Authors Gerry Firmansyah Hani Dewi Ariessanti Herwanto, Agus