Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal eProceedings of Engineering
Muhammad Jilan Hilmi
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

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

Found 1 Documents
Search

 1 
Analisis Sentimen Mobil Listrik Pada X (Twitter) Menggunakan Metode Long Short-Term Memory (LSTM) Muhammad Jilan Hilmi; Hani Nurrahmi; Hasmawati Hasmawati
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pertumbuhan kendaraan listrik di Indonesia menghadapi tantangan, salah satunya adalah rendahnya adopsi oleh masyarakat. Untuk memahami persepsi publik, dilakukan analisis sentimen berdasarkan opini masyarakat di media sosial X (Twitter) dengan kata kunci mobil listrik. Metode yang digunakan pada penelitian ini adalah Long Short-Term Memory (LSTM), salah satu algoritma deep learning yang efektif untuk mengklasifikasikan data berbasis teks. Data diambil dari Twitter menggunakan kata kunci “Mobil Listrik” dalam rentang Januari 2023 hingga April 2024, dengan total 10,283 tweet. Setiap tweet divalidasi oleh lima responden dan dikategorikan ke dalam sentimen negatif, netral, atau positif berdasarkan mayoritas suara. Proses pengujian dilakukan menggunakan tiga skenario split dataset (70:30, 80:20, dan 90:10) dan dievaluasi menggunakan metrik akurasi, precision, recall, dan f1- score. Hasil pengujian menunjukkan bahwa model LSTM memiliki akurasi pengujian sebesar 55,30% dan akurasi validasi sebesar 57,13%. Model hanya mampu mengenali sentimen netral dengan baik (f1-score: 71%), namun gagal mengklasifikasikan sentimen positif dan negatif. Hal ini menunjukkan adanya ketidakseimbangan kelas, sehingga dibutuhkan upaya perbaikan seperti penyeimbangan data dan optimasi model agar hasil klasifikasi lebih merata. Kata kunci: analisis sentimen, mobil listrik, LSTM, Twitter, klasifikasi.
Co-Authors Hani Nurrahmi Hasmawati Hasmawati