001 Hak Akses (open/membership)membership
700 Entri Tambahan Nama OrangHendri Murfi, supervisor; Gianinna Ardaneswari, supervisor; Gatot Fatwanto Hertono, examiner; Devvi Sarwinda, examiner
336 Content Typetext (rdacontent)
264b Nama PenerbitFakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia
710 Entri Tambahan Badan KorporasiUniversitas Indonesia. Fakultas Matematika dan Ilmu Pengetahuan Alam
049 No. Barkod14-25-29395193
786c Entri Volume, no., tahun dan halama
852 LokasiPerpustakaan UI
504 Catatan Bibliografipages 59-61
110 Entri Utama Badan Korporasi
338 Carrier Typeonline resource (rdacarrier)
786 Entri Sumber Data
590 Cat. Sumber Pengadaan Koleksi
903 Stock Opname
534 Catatan Versi Asli
053 No. Induk14-25-29395193
Tahun Buka Akses
653 Kata Kuncianalisis sentiment; convolution neural network; long short-term memory; lifelong learning
040 Sumber PengataloganLibUI ind rda
111 Entri Utama Nama Pertemuan
245 Judul UtamaAnalisis Kinerja Model Gabungan Long Short-Term Memory dan Convolutional Neural Network-Multi Region Size pada Permasalahan Lifelong Learning Analisis Sentimen Berbahasa Indonesia
264c Tahun Terbit2021
650 Subyek TopikSentiment analysis; Lifelong learning.
850 Lembaga PemilikUniversitas Indonesia
904b Pemeriksa Lembar KerjaAdhityaN-Maret2025
520 Ringkasan/Abstrak/IntisariBanyaknya opini yang diunggah oleh pengguna media sosial di Indonesia, mengakibatkan dapat dilakukannya penelitian, salah satunya adalah analisis sentimen. Beberapa model machine learning yang dapat digunakan untuk analisis sentimen yaitu Long Short-Term Memory (LSTM) dan Convolutional Neural Network (CNN). Pada penelitian ini menggunakan modifikasi dari model CNN, yaitu model CNN-Multi Region Size (CNNMRS). Model LSTM dan CNNMRS dapat digabungkan menjadi model gabungan CNNMRS-LSTM dan LSTM-CNNMRS. Penerapan lifelong learning untuk permasalahan analisis sentimen pada penelitian ini dilakukan dengan menggunakan model CNNMRS, LSTM, CNNMRS-LSTM, dan LSTM-CNNMRS. Kemampuan lifelong learning untuk transfer knowledge model CNNMRS menunjukkan hasil yang lebih baik dibandingkan dengan ketiga model lainnya. Pada permasalahan lifelong learning untuk loss of knowledge model LSTM lebih baik dari ketiga model lainnya. Pada penelitian ini juga dilihat pengaruh lifelong learning yang menerapkan pembaruan vocabulary yaitu menggunakan vocabulary yang ada pada setiap source domain yang digunakan. Kemampuan lifelong learning dengan pembaruan vocabulary untuk transfer knowledge model LSTM menunjukkan hasil yang lebih baik dibandingkan dengan ketiga model lainnya. Pada permasalahan lifelong learning dengan pembaruan vocabulary untuk loss of knowledge model LSTM-CNNMRS lebih baik dari ketiga model lainnya. Berdasarkan hasil yang diperoleh pada penelitian ini, pembaruan vocabulary dapat meningkatkan kemampuan dari lifelong learning. ......The number of opinions uploaded by social media users in Indonesia has resulted in various studies being carried out, one of which is sentiment analysis. Several machine learning models that can be used for sentiment analysis are Long Short-Term Memory (LSTM) and Convolutional Neural Network (CNN). This study uses a modification of the CNN model, namely the CNN-Multi Region Size (CNNMRS) model. The LSTM and CNNMRS models can be combined into a combined CNNMRS-LSTM and LSTM-CNNMRS model. The application of lifelong learning for sentiment analysis problems in this study was carried out using the CNNMRS, LSTM, CNNMRS-LSTM, and LSTM-CNNMRS models. The ability of lifelong learning to transfer knowledge of the CNNMRS model shows better results than the other three models. On the problem of lifelong learning for loss of knowledge, the LSTM model is better than the other three models. This study also looks at the effect of lifelong learning by applying vocabulary updates, namely using the existing vocabulary in each source domain used. The lifelong learning ability with vocabulary updates for the transfer of knowledge of the LSTM model shows better results than the other three models. In lifelong learning problems with vocabulary updates for loss of knowledge the LSTM-CNNMRS model is better than the other three models. Based on the results obtained in this study, updating vocabulary can improve the ability of lifelong learning.
022 ISSN (R)
090 No. Panggil SetempatS-pdf
d-Entri Utama Nama Orang
500 Catatan UmumDapat diakses di UIANA (lib.ui.ac.id) saja.
245c Pertanggungjawaban
337 Media Typecomputer (rdamedia)
d-Entri Tambahan Nama Orang
526 Catatan Informasi Program StudiMatematika
100 Entri Utama Nama OrangLucky Dwi Cahya, author
264a Kota TerbitDepok
300 Deskripsi Fisikxiv, 61 pages : illustration + appendix
904a Pengisi Lembar KerjaAnis Rifai-Maret2025
Akses Naskah Ringkas
856 Akses dan Lokasi Elektronik
310 Frekuensi Terbit
502 Catatan Jenis KaryaSkripsi
041 Kode Bahasaind