2022
DOI: 10.31294/paradigma.v24i2.1415
|View full text |Cite
|
Sign up to set email alerts
|

Aspect-Based Sentiment Analysis on Indonesian Presidential Election Using Deep Learning

Abstract: Pemilihan presiden tahun 2019 merupakan pemilihan presiden yang menjadi perbincangan hangat selama beberapa waktu bahkan orang membicarakan topik ini sejak tahun 2018 di internet. Dalam memprediksi pemenang pemilihan presiden penelitian sebelumnya telah melakukan penelitian terhadap dataset Analisis sentimen berbasis aspek (ABSA) pemilihan presiden tahun 2019 menggunakan algoritma pembelajaran mesin seperti Support Vector Machine (SVM), Naive Bayes (NB), dan K-Nearest Neighbors (KNN) dan menghasilkan akurasi y… Show more

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
1

Citation Types

0
0
0
1

Year Published

2023
2023
2024
2024

Publication Types

Select...
2
1

Relationship

0
3

Authors

Journals

citations
Cited by 3 publications
(1 citation statement)
references
References 5 publications
0
0
0
1
Order By: Relevance
“…Dengan memanfaatkan pengetahuan BERT yang telah disederhanakan selama tahap pra-pelatihan, DistilBERT menunjukkan kemampuannya untuk mengurangi ukuran BERT hingga 40%, memberikan waktu komputasi hingga 60% lebih cepat, dengan tetap mempertahankan kemampuan BERT sebesar 97%. Said dan Manik [8] memprediksi pemenang pilpres Indonesia 2019 pada data Twitter menggunakan BERT dan RoBERTa, dan menghasilkan akurasi mencapai 98.02%. Selain itu, BERT mengklasifikasi multi-label dengan akurasi tertinggi mencapai 98.66%.…”
Section: A Pendahuluanunclassified
“…Dengan memanfaatkan pengetahuan BERT yang telah disederhanakan selama tahap pra-pelatihan, DistilBERT menunjukkan kemampuannya untuk mengurangi ukuran BERT hingga 40%, memberikan waktu komputasi hingga 60% lebih cepat, dengan tetap mempertahankan kemampuan BERT sebesar 97%. Said dan Manik [8] memprediksi pemenang pilpres Indonesia 2019 pada data Twitter menggunakan BERT dan RoBERTa, dan menghasilkan akurasi mencapai 98.02%. Selain itu, BERT mengklasifikasi multi-label dengan akurasi tertinggi mencapai 98.66%.…”
Section: A Pendahuluanunclassified