ANALISIS KOMPARATIF BILSTM DAN BIGRU DENGAN WORD EMBEDDING GLOVE TERHADAP SENTIMEN PUBLIK TENTANG COVID-19 DI TWITTER

Abstract

Pandemi COVID-19 telah memicu perdebatan publik di Twitter, yang dapat dijelaskan melalui analisis sentimen menggunakan pemrosesan bahasa alami. Karakter informal dan tak terstruktur cuitan Twitter menjadi tantangan tersendiri. Penelitian ini membandingkan kinerja arsitektur BiLSTM dan BiGRU dalam mengklasifikasikan sentimen publik terkait COVID-19. Model BiGRU dirancang dengan dua lapisan, disertai dengan implementasi GloVe embedding Twitter.27B.200d untuk representasi kata lebih baik dan dilengkapi dengan dilengkapi dropout, batch normalization, dan regularisasi L2, serta dioptimasi dengan AdamW, sedangkan BiLSTM menggunakan satu lapis standar. Hasil eksperimen menunjukkan BiGRU dua lapis mencapai validasi akurasi 86.78% dengan pelatihan yang lebih stabil dibandingkan BiLSTM 84.91% yang cenderung overfitting. Temuan ini mengindikasikan bahwa arsitektur double layer BiGRU lebih efektif memahami konteks dari cuitan yang tidak terstruktur Twitter, sehingga direkomendasikan untuk sistem analisis sentimen publik dan pengembangan pemrosesan bahasa alami di masa depan.