Prediksi Genre Film Dengan Klasifikasi Multi Kelas Sinopsis Menggunakan Jaringan LSTM

  • Riska Amelia Universitas Stikubank
  • Dwi Budi Santoso Universitas Stikubank

Abstract

Sinopsis film menyajikan informasi penting mengenai alur cerita dan tema yang dapat digunakan untuk memprediksi genre film. Namun, memprediksi genre film secara manual dengan melihat sinopsis terlebih dahulu dapat menjadikannya kurang efektif karena sinopsis yang panjang dan sangat bervariasi. Oleh karena itu, diperlukannya pendekatan otomatis dengan menggunakan teknik klasifikasi multi kelas dengan jaringan LSTM (Long Short-Term Memory) untuk memprediksi genre film berdasarkan sinopsisnya guna memberikan kontribusi yang bermanfaat dalam industri perfilman. Penelitian ini menggunakan jaringan LSTM untuk klasifikasi multi kelas untuk memprediksi genre film dengan dataset yang diambil dari situs Kaggle yang terdiri dari berbagai sinopsis film dengan genre yang berbeda-beda. Setelah itu, sinopsis film tersebut diolah melalui proses tokenisasi, vektorisasi, embedding kata menggunakan NLP (Natural Language Processing). Hasil pengujian terhadap dataset dengan menggunakan metode klasifikasi multi kelas dengan jaringan LSTM mampu mencapai tingkat akurasi 98% dan loss 5% dalam memprediksi genre film berdasarkan sinopsis

References

Aditya Quantano Surbakti, Regiolina Hayami, & Januar Al Amien. (2021). Analisa Tanggapan Terhadap Psbb Di Indonesia Dengan Algoritma Decision Tree Pada Twitter. Jurnal CoSciTech (Computer Science and Information Technology), 2(2), 91–97. https://doi.org/10.37859/coscitech.v2i2.2851
Amrustian, M. A., Widayat, W., & Wirawan, A. M. (2022). Analisis Sentimen Evaluasi Terhadap Pengajaran Dosen di Perguruan Tinggi Menggunakan Metode LSTM. JURNAL MEDIA INFORMATIKA BUDIDARMA, 6(1), 535. https://doi.org/10.30865/mib.v6i1.3527
Arief, B., Kholifatullah, H., & Prihanto, A. (2023). Penerapan Metode Long Short Term Memory Untuk Klasifikasi Pada Hate Speech. Journal of Informatics and Computer Science, 04.
Astari, Y., & Wahib Rozaqi, S. (2021). Analisis Sentimen Multi-Class pada Sosial Media menggunakan metode Long Short-Term Memory (LSTM). Jurnal Linguistik Komputasional, 4(1).
Dwi, R., Santosa, W., Arif Bijaksana, M., & Romadhony, A. (n.d.). Implementasi Algoritma Long Short-Term Memory (LSTM) untuk Mendeteksi Penggunaan Kalimat Abusive Pada Teks Bahasa Indonesia. In Jurnal Tugas Akhir Fakultas Informatika (Vol. 12, Issue 2020).
Gunawan, R., & Kristian, Y. (2020). Automatic Parental Guide Scene Classification Menggunakan Metode Deep Convolutional Neural Network Dan LSTM. Journal of Intelligent System and Computation, 2(2), 86–90. https://doi.org/10.52985/insyst.v2i2.124
Guterres, A., Gunawan, & Santoso, J. (2019). Stemming Bahasa Tetun Menggunakan Pendekatan Rule Based. Teknika, 8(2), 142–147. https://doi.org/10.34148/teknika.v8i2.224
Hermanto, D. T., Setyanto, A., & Luthfi, E. T. (2021). Algoritma LSTM-CNN untuk Binary Klasifikasi dengan Word2vec pada Media Online. Creative Information Technology Journal, 8(1), 64. https://doi.org/10.24076/citec.2021v8i1.264
Jamaluddin, T., Arif Bijaksana, M., & Asror, I. (2020). Perbandingan Algoritma Sentencepiece BPE dan Unigram Pada Tokenisasi Artikel Bahasa Indonesia. E-Proceeding of Engineering, 8323–8331.
Khomsah, S., & Agus Sasmito Aribowo. (2020). Text-Preprocessing Model Youtube Comments in Indonesian. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 4(4), 648–654. https://doi.org/10.29207/resti.v4i4.2035
Ningrum, A. A., Syarif, I., Gunawan, A. I., Satriyanto, E., & Muchtar, R. (2021). Algoritma Deep Learning-LSTM untuk Memprediksi Umur Transformator. Jurnal Teknologi Informasi Dan Ilmu Komputer, 8(3), 539. https://doi.org/10.25126/jtiik.2021834587
Nurlaela, D. (2020). Penerapan Adaboost Untuk Meningkatkan Akurasi Naive Bayes Pada Prediksi Pendapatan Penjualan Film. INTI Nusa Mandiri, 14(2), 181–188. https://doi.org/10.33480/inti.v14i2.1220
Rahmawati, L., & Santoso, D. B. (2023). Implementasi Metode Naive Bayes Untuk Klasifikasi Ulasan Aplikasi E-Commerce Tokopedia Implementation Of Naive Bayes Method For Classification Of Tokopedia E-Commerce Application Review. Journal of Information Technology and Computer Science (INTECOMS), 6(1).
Rolangon, A., Weku, A., & Sandag, G. A. (2023). Perbandingan Algoritma LSTM Untuk Analisis Sentimen Pengguna Twitter Terhadap Layanan Rumah Sakit Saat Pandemi Covid-19. TeIKa, 13(01), 31–40. https://doi.org/10.36342/teika.v13i01.3063
Setyo Nugroho, K., Akbar, I., & Nizar Suksmawati, A. (2021). Deteksi Depresi Dan Kecemasan Pengguna Twitter Menggunakan Bidirectional Lstm. The 4th Conference on Innovation and Application of Science and Technology (CIASTECH 2021), 287–296.
Uly, N., Hendry, H., & Iriani, A. (2023). CNN-RNN Hybrid Model for Diagnosis of COVID-19 on X-Ray Imagery. Digital Zone: Jurnal Teknologi Informasi Dan Komunikasi, 14(1), 57–67. https://doi.org/10.31849/digitalzone.v14i1.13668
Published
2023-09-17
Abstract viewed = 46 times
PDF downloaded = 35 times