Film sebagai salah satu hiburan bagi masyarakat yang dapat menyampaikan pesan moral sekaligus memberi informasi. Trend film pada masa pandemi ini mulai berkembang dengan 3 genre yang paling diminati yaitu Action, horor, dan komedi. Dengan semakin meningkatnya pengguna social media di Indonesia seperti Twitter, komentar-komentar pada twitter yang berisi opini positif maupun negatif tersebut yang dapat digunakan untuk meramalkan trend genre dimasa depan. Pengambilan Ulasan dilakukan menggunakan library Twint pada python dengan range waktu setiap bulan. Proses labeling pada ulasan library Textblob pada python untuk menghasilkan label berupa ulasan positif, negatif atau netral. Hasil total Sentimen pada Genre Action, Horor dan Komedi, nanti nya akan di prediksi menggunakan metode Long Short Term Memory (LSTM) dengan menggunakan library Keras, melalui tahapan crawling data sentimen dari netizen pada twitter dengan mengindentifikasi sentimen positif, negatif, dan netral pada setiap bulannya. Hasil penelitian didapati nilai neuron hidden yang berbeda-beda didominasi pada nilai neuron hidden 15, nilai batch size didominasi dengan nilai batch size 4 paling dominan dan nilai max epochs didominasi dengan jumlah max epochs 50 dan 100.Melalui penelitian ini, nilai eror RMSE pada genre Action Positif sebesar 0,611681. Hasil Analisa kategori action cenderung lebih naik dibanding 2 kategori lainnya akan tetapi kategori action lebih rawan dikarenakan sentimen negatif yang lebih tinggi.


Deskripsi Lain

Film an entertainment for the public that can convey moral messages well provide information. The trend of films during this pandemic began to develop with the 3 most popular genres, namely Action, horror, and comedy. With the increasing number of social media users in Indonesia such Twitter, the comments on Twitter containing both positive and negative opinions can be used to predict future genre trends. Review taking is done using the Twint library in python with a time range of every month. The labeling process on the Textblob library reviews in python to generate labels in the form of positive, negative neutral reviews. The results of the total Sentiment in the Action, Horror and Comedy genres, will later be predicted using the Long Short Term Memory (LSTM) method using the Keras library, through the stages of crawling sentiment data from netizens on Twitter by identifying positive, negative, and neutral sentiments on each the month. The results of the study found that different hidden neuron values ​​were dominated by the hidden neuron value 15, the batch size value was dominated by the most dominant batch size 4 value and the max epochs value was dominated by the max number of epochs 50 and 100. Through this study, the RMSE error value in the genre Positive Action of 0.611681. The results of the analysis of the action category tend to be higher than the other 2 categories, but the action category is more vulnerable due to higher negative sentiment.

• PERENCANAAN PENJADWALAN DAN RUTE TERPENDEK DISTRIBUSI PREMIUM PT. PERTAMINA TERMINAL BBM CAMPLONG MENGGUNAKAN METODE DISTRIBUTION REQUIREMENT PLANNING (DRP) DAN ALGORITMA DIJKSTRA
• SISTEM PERAMALAN KEBUTUHAN OBAT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION DENGAN FUNGSI LYAPUNOV
• ANALISA DATA ANTARAN POS EXPRESS MENGGUNAKAN METODE RADIAL BASIS FUNCTION NEURAL NETWORK (RBF-NN) (STUDI KASUS PT. POS INDONESIA SURABAYA)
• PERAMALAN PRODUKSI ES (STUDI KASUS DI CV. MULIA UTAMA)
• PREDIKSI KEBERHASILAN MAHASISWA FAKULTAS TEKNIK UNIVERSITAS TRUNOJOYO MADURA DENGAN CARA MEMPERBAIKI KARAKTERISTIK CALON MAHASISWA BARU MENGGUNAKAN METODE CART