ANALISIS PERBANDINGAN KINERJA METODE LSTM DAN GLOVE DENGAN SVM PADA TEXT CLASSIFIER DATASET BAHASA INDONESIA

Analisis sentimen adalah proses menilai opini, perasaan, dan emosi dari teks yang
dihasilkan. Penelitian ini bertujuan untuk membandingkan kinerja metode Long�Short Term Memory (LSTM) yang dikombinasikan dengan Word Embedding
GLOVE dengan metode Support Vector Machine (SVM) pada dataset berbahasa
Indonesia. Penelitian ini menggunakan dua dataset: komentar Cyberbullying dari
Instagram dan komentar layanan telekomunikasi dari Twitter, dengan setiap dataset
terdiri dari data positif dan negatif. Penelitian meliputi preprocessing data, pelatihan
model, dan evaluasi menggunakan confusion matrix. Hasil menunjukkan bahwa
metode LSTM dan GLOVE tidak selalu lebih unggul dibandingkan metode SVM.
Pada dataset komentar Cyberbullying, SVM mencapai akurasi 90%, sementara
LSTM hanya mencapai 72%. Demikian pula pada dataset layanan telekomunikasi,
SVM mencapai akurasi 79%, sementara LSTM mencapai 74%. Disimpulkan bahwa
metode LSTM dan GLOVE tidak selalu lebih baik dibandingkan metode SVM.
Penelitian lebih lanjut dapat menggunakan dataset yang lebih besar dan metode deep
learning lainnya seperti BERT atau GPT untuk meningkatkan kinerja analisis
sentimen
Kata Kunci: Analisis Sentimen, LSTM, Glove, SVM, Text Classifier.