ANALISIS SENTIMEN PADA TWITTER TERHADAP PROGRAM KARTU PRA KERJA DENGAN RECURRENT NEURAL NETWORK
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Twitter menjadi salah satu media sosial dengan jumlah pengguna aktif paling banyak di Indonesia. Dengan berlakunya program kartu prakerja sejak pendaftaran gelombang pertama hingga sekarang, banyak pengguna twitter di Indonesia yang menyampaikan pendapat dan gagasan mengenai program kartu prakerja melalui twitter. Oleh karena itu penelitian ini mencoba untuk menganalisa tweet berbahasa Indonesia yang membicarakan mengenai program kartu prakerja yang ditandai dengan kata kunci prakerja dalam tweet tersebut. Analisis sentimen dilakukan dengan menggunakan metode Reccurent Neural Network (RNN) dengan Long Short Term Memory (LSTM). Dalam penelitian ini data yang digunakan di crawling menggunakan bantuan Twitter API yang diambil pada periode bulan April 2020 sampai Januari 2021 sebanyak 4122 tweet. Penelitian menghasilkan sebuah sistem yang mampu melakukan klasifikasi sentimen (positif, netral dan negatif) terhadap sebuah tweet. Tingkat akurasi dari proses training yang didapat sebesar 95,66% serta tingkat akurasi dari proses testing sebesar 64,48%. Beberapa kendala dalam proses analisis sentimen adalah data untuk pembuatan model tidak seimbang sehingga menyebabkan overfitting,
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle