Komparasi Model Optimasi Genetic Algorithm dengan Particle Swarm Optimization terhadap Metode RNN-BiLSTM pada Analisis Opini Publik terkait Non-Fungible Token (NFT)

Abstract

Non-Fungible Token (NFT) ramai dibicarakan pada bulan Januari 2022 karena viralnya kasus Ghozali Everyday. Opini publik bersifat positif, negatif, ataupun netral dapat diketahui dengan melakukan analisis sentimen. Deep learning memiliki beberapa metode yang biasa digunakan untuk melakukan analisis sentimen dan yang digunakan adalah metode RNN dengan arsitektur BiLSTM. Kinerja model RNN-BiLSTM dapat ditingkatkan dengan melakukan optimasi. Optimasi pada model deep learning dilakukan untuk mendapatkan nilai terbaik pada parameter untuk meningkatkan akurasi dengan waktu kinerja yang lebih singkat. Algoritma optimasi yang digunakan adalah Genetic Algorithm (GA) dan Particle Swarm Optimization (PSO). GA dengan PSO akan dikomparasi untuk mendapatkan nilai parameter BiLSTM Layer, Dropout, Dense Layer dan Learning Rate terbaik dari model RNN-BiLSTM dan mendapatkan hasil akurasi yang lebih baik dibandingkan tanpa optimasi. Perbandingan data yang digunakan 8:2 untuk data training dan testing menghasilkan parameter terbaik didapatkan pada optimasi GA untuk model Bi-LSTM ini yaitu seperti berikut: BiLSTM Layer = 65, Dropout = 0.2, Dense Layer = 5, Learning Rate = 0.01 dengan akurasi mencapai 91.97% lebih tinggi dibandingkan tanpa optimasi dengan akurasi 89.23?n dengan optimasi PSO dengan parameter seperti berikut: BiLSTM Layer = 65, Dropout = 0.2, Dense Layer = 5, Learning Rate = 0.01 dengan akurasi 91.21%. Hasil evaluasi menunjukkan model RNNBiLSTM dengan optimasi GA mampu melakukan analisis sentimen terhadap opini publik terkait NFT ke dalam tiga kelas sentimen (positif, netral dan negatif) dengan baik dan mendapatkan akurasi sebesar 91.97?ngan rata-rata presisi 91%, recall 90?n F1-score 90%.