arXiv 2604.263122026-04-29cs.CL

使用LSTM方法对YouTube媒体上免费营养餐计划的公众意见进行分类

Classification of Public Opinion on the Free Nutritional Meal Program on YouTube Media Using the LSTM Method

Department of Data Science（数据科学系）；Institut Teknologi Sumatera（苏门答腊理工大学）；Institut Teknologi Sumatera Lampung Selatan（苏门答腊理工大学南苏门答腊分校）

Berliana Enda Putri, Lisa Diani Amelia, Muhammad Zaky Zaiddan, Luluk Muthoharoh, Ardika Satria, Martin Clinton Tosima Manullang

备注：: 10 pages 3 figures 3 tables Conference submission on YouTube sentiment classification using LSTM for the Free Nutritious Meal Program

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

本研究利用LSTM方法对YouTube评论进行情感分类，发现LSTM在处理印尼文文本情感分析时有效，但因数据不平衡导致正向情感识别效果较弱。

摘要：

YouTube社交媒体上关于免费营养餐计划（MBG）的公众意见反映了社区的多样化反应。本研究应用长短期记忆（LSTM）方法对7,733条评论进行情感分类。结果表明，LSTM模型达到89%的准确率，其在负面情感（F1分数0.94）上的表现较强，但正向情感（F1分数0.55）表现较弱，这归因于数据不平衡，因为负面数据占数据集的87.7%。这些发现证实了LSTM在印尼文文本情感分析中的有效性，同时突显了数据不平衡的挑战。本研究为基于社交媒体的公共政策评估做出了贡献。

英文摘要：

Public opinion towards the Free Nutritious Meal Program (MBG) on YouTube social media reflects diverse community responses. This study applies the Long Short-Term Memory (LSTM) method to classify sentiments from 7,733 YouTube comments. The results show that the LSTM model achieves 89% accuracy, with strong performance on negative sentiment (F1-score 0.94) but weaker performance on positive sentiment (F1-score 0.55) due to class imbalance, as negative data account for 87.7% of the dataset. These findings confirm the effectiveness of LSTM for sentiment analysis of Indonesian text while highlighting the challenge of imbalanced data. This research contributes to social media-based public policy evaluation

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。