KOMPARASI METODE LONG SHORT-TERM MEMORY DENGAN MODEL GPT3.5 DALAM MENGKLASIFIKASI TWEET MAHSISWA BERDASARKAN TOPIK (Studi Kasus: Autobase @Collegemenfess)

Barakati, Fil Ardi Yanto Barakati (2024) KOMPARASI METODE LONG SHORT-TERM MEMORY DENGAN MODEL GPT3.5 DALAM MENGKLASIFIKASI TWEET MAHSISWA BERDASARKAN TOPIK (Studi Kasus: Autobase @Collegemenfess). Sarjana thesis, Universitas Khairun.

	Text 1. COVER.pdf - Published Version Download (113kB)
	Text 4. ABSTRAK.pdf - Published Version Download (134kB)
	Text 5. BAB I.pdf - Published Version Download (150kB)
	Text 10. DAFTAR PUSTAKA.pdf - Published Version Download (169kB)

Abstract

Twitter adalah layanan jaringan sosial media yang memungkinkan penggunanya untuk mengirim dan membaca pesan berbasis teks hingga 280 karakter, Selain itu Twitter juga merupakan sosial media yang memungkinkan pengguna untuk melakukan pengembangan melalui Application Programming Interface (API) seperti membuat autobase. Autobase berfungsi sebagai wadah bagi followersnya untuk mengirim pertanyaan sesuai topik autobase dan bersifat anonym melalui Direct message dengan kata kunci tertentu, Salahsatunya yaitu autobase @collegemenfess. Tweets yang dikirim ke autobase bercampur aduk menjadi satu, Oleh karena itu, pengkategorian tweet diperlukan metode sebagai proses klasifikasi. Pada penelitian ini dilakukan pengklasifikasian tweet mahasiswa berdasarkan topik dengan melakukan perbandingan model deep learning yaitu Long short term memory (LSTM) dan model GPT 3.5 yang merupakan model yang sudah dilatih dengan data besar. Berdasarkan hasil pengujian yang dilakukan menggunakan evaluasi confussion matrix, didapatkan akurasi, presisi, recall, dan F1-Score dari model LSTM lebih unggul dengan nilai 95,60% pada akurasi dan 0,96 pada presisi, recall, dan F1-Score dibanding model GPT 3.5 dengan nilai 93% pada akurasi dan 0,93 pada presisi, recall, dan F1-Score. Kata kunci: Klasifikasi Teks, Long Short-Term Memory, GPT 3.5, Twitter, Tweet Mahasiswa, Autobase, Neural Network, Deep learning .

Actions (login required)

View Item