21/12/2023

Identifikasi Bagian-Bagian Makalah

Metode Penelitian

Mata Kuliah : Metode Penelitian [TFD]

Nama : Devi Sonya Br Sembiring Depari

NIM : 1202228343
Kelas : SI-44-EISD 1
 Identifikasi Bagian Makalah

Dalam melakukan penelitian yang bertopik: Sentimen Analisis Fitur dan

Faktor Kesehatan dari Media Sosial dengan Artificial Intelligence, ada dua jurnal yang
menjadi landasan dalam pemilihan topik tersebut. Kedua jurnal tersebut adalah:
1. The Adoption of Mobile Health Applications by Patients in Developing Countries: A
Systematic Review : Jurnal ini disusun oleh Nasser Aljohani dan Daniel Chandran
melalui Faculity of Engineering and Information Technology University of Technology
Sydney Australia, Sydney, Australia. Yang diterbitkan oleh International Journal of
Advanced Computer Science and Applications pada tahun 2021. Jurnal ini fokus dalam
membahas penerapan strategi m-health di negara-negara berkembang yang dianggap
sebagai salah satu platform terbaik untuk menjamin keselamatan warga negara dan
keamanan layanan kesehatan dengan menganalisa dan memetakan faktor-faktor yang
mempengaruhi pengadopsian m-health.

2. Sentiment Analysis Using Convolutional Neural Network : Jurnal ini disusun oleh
• Xi Ouyang dan Pan Zhou melalui School of Electronic Information and
Communications Huazhong University of Science & Technology Wuhan, China,
• Cheng Hua Li melalui DNN (Deep Neural Network) Lab Beijing JingDong century
trade .ltd (JD.COM) Beijing, China.
• Lijun Liu melalui Wuhan TipDM Intelligent Technology Wuhan, China.
Yang diterbitkan oleh IEEE International Conference on Computer and Technology
pada tahun 2015. Jurnal ini fokus dalam membahas kelebihan metode Convolutional
Neural Network (CNN) sebagai kerangka untuk menganalisis sentimen yang berguna
untuk prediksi dan peramalan di masa depan. Metode CNN yang digunakan akan di
kolaborasikan dengan kerangka Word2Vec yang akan menghitung representasi vektor
kata, untuk menjadi masukan CNN.
 Kedua literatur tersebut dipilih karena pengklasifikasian faktor yang akan
dilakukan pada topik penelitian yang saya lakukan, sebagian besar merujuk pada hasil
pembagian faktor dan menghasilkan setiap matriks yang menjadi hasil pada literatur
pertama (The Adoption of Mobile Health Applications by Patients in Developing Countries:
A Systematic Review). Adapun faktor yang saya fokuskan berada pada Technical Factor dan
Security/Privacy Factor. Dan pemilihan untuk literatur kedua (Sentiment Analysis Using
Convolutional Neural Network) merujuk pada metode pengklasifikasian sentimen yang
digunakan pada topik ini yaitu Artificial Intelligence yang akan saya gunakan yaitu metode
Deep Learning berupa Convolutional Neural Network (CNN). Literatur ini menunjukkan
Tingkat keakuratan yang dimiliki oleh CNN yang masih unggul dibandingkan penggunaan
metode lainnya seperti RNN dan metode pada Machine Learning lainnya.

Untuk mengetahui poin-poin penting pada kedua literatur tersebut maka

perlu dilakukan pengidentfikasian untuk setiap bagian dari makalah tersebut sehingga
adanya kekeliruan saat memahami literatur tersebut dapat lebih diminimalisasi. Berikut ini
adalah hasil identifikasi bagian literatur yang telah saya lakukan:
1. Paper I : The Adoption of Mobile Health Applications by Patients in
Developing Countries: A Systematic Review

Abstract yang berfungsi untuk

menjelaskan gambaran umum dari
keseluruhan isi paper. Dan latar
belakang dibuatnya penelitian.

Data set yang digunakan pada paper ini

Hal yang dilakukan pada paper ini:

Mengidentifikasi penelitian dalam hal
metodologi penelitian, teori dan model
yang diadopsi, faktor-faktor penting
yang diidentifikasi, keterbatasan dan
rekomendasi.
Hasil umum dari penelitian: Sebagian
besar penelitian menggunakan TAM dan
berfokus pada tingkat teknologi dan
individu; niat yang sangat rendah telah
dibuat terhadap faktor, tingkat, dan
teori yang berhubungan dengan
kesehatan

Bab I yang berisi perkenalan tentang

peran dan jenis pada modern health.
Dan mempertegas bahwa e-health
lebih berbasis pada komputer dan dan
m-health berbasis pada sistem mobile.
Klasifikasi m-health berdasarkan teknologi
yang digunakan, yaitu:
• Devices (perangkat)
• Sensors (sensor)
• Applications (aplikasi)

Menunjukkan 4 jenis m-health yang menjadi

landasan untuk penelitian yang akan dilakukan.

Menunjukkan pentingnya penggunaan m-

health yang akan meningkatkan kesadaran
kesehatan dan akses terhadap pengetahuan
yang akan meningkatkan kehidupan
masyarakat dan memberikan negara peluang
untuk menciptakan tenaga kerja berkelanjutan
dengan ketahanan ekonomi.

Bab II: Menjelaskan cara pendekatan yang

dilakukan melalui sastra referensi yang dipilih.
Dimana penelitian ini menggunakan Google
Scholar untuk mencari paper referensi
penelitian-penelitian sebelumnya dengan
beberapa kata kunci yang relevan yaitu:
adoption of m-health", "adoption of mobile
health", dan "adoption of mhealth.“ Dalam
rentang waktu dari tahun 2010 sampai tahun
2020.

Menjelaskan alasan pemilihan rentang waktu

yang panjang.
Menampilkan bagan berupa flowchart yang
menunjukkan tahapan pengambilan sumber
sekunder (jurnal referensi) yang akan diteliti.

Bab III: Bagian ini menjelaskan beberapa

literatur utama yang ada mengenai mhealth
dari sudut pandang ilmiah. negara-negara
berkembang mendapatkan keuntungan untuk
menjamin catatan informasi keselamatan dan
kesehatan pasien dengan mempertimbangkan
perlindungan data dan strategi visualisasi.
Beberapa negara berkembang, seperti
Malaysia, Thailand, Cina, dan India, telah
memperkenalkan kemajuan teknologi dalam
sistem layanan kesehatan untuk meningkatkan
proses pengobatan. Analisisnya mencakup
tanggal publikasi, teori dan metode yang
digunakan, faktor-faktor signifikan yang
teridentifikasi, serta keterbatasan dan temuan
penelitian aplikasi m-health.
Menvisualisasi jumlah studi yang
dilakukan setiap tahun
berdasarkan topik yang dilakukan
yang menyimpulkan bahwa Diagram pie yang mempermudah
penelitian ini masih sangat layak pelihatan negara-negara yang
untuk diteliti lebih lanjut. menjadi studi kasus
pengapdosian m-health.

Menunjukkan
jenis teori dan
model yang paling
banyak digunakan
oleh literatur
sebelumnya, yaitu
metode TAM.
Sebagian besar
literatur yang
dipilih
menggunakan
metode kualitatif.

Faktor-faktor
signifikan yang
penting yang
menjadi dasar
pengadopsian m-
health.

Tabel untuk menunjukkan jumlah

negara berkembang yang menjadi
studi kasus penelitian
sebelumnya yang dilakukan.
 Faktor-faktor signifikan yang mempengaruhi pengadopsian m-health berdasarkan literatur
sebelumnya. Faktor-faktor inilah yang menjadi dasar pengklasifikasian yang dilakukan oleh
peneltian yang akan saya lakukan selanjutnya. Dimana faktor-faktor tersebut akan dikaji lebih
dalam menggunakan sentimen masyarakat untuk menemukan titik kelemahan dan kelebihan
fitur-fitur pada e-health yang ada di Indonesia untuk menjadi landasan peningkatan fitur yang
membantu peningkatan penggunaan e-health di Indonesia dengan menghadirkan fitur yang
tepat guna.
Ada 5 yang menjadi faktor utama yaitu secara technical, individual,
social/cultural/environmental, security/privacy, dan health. Dimana setiap faktor tersebut
memiliki matriks tersendiri.

Faktor Utama

Matriks-matriks
dari setiap faktor
Literatur referensi
yang membahas
matriks tersebut

Jumlah total literatur

referensi yang membahas
matriks tersebut
 Bab IV: Membahas tentang hasil dan batasan dari penelitian yang telah dilakukan.

Jenis pendekatan yang paling diperlukan: Jumlah literatur yang mempertimbangkan

pendekatan campuran dan kualitatif. matrix pengaruh budaya: hanya satu.

Jumlah literatur sebelumnya yang hanya Faktor yang paling sedikit dibahas: Faktor
menggunakan pendekatan kualitatif Health
Terdapat peningkatan literatur dalam 10
Model yang paling banyak digunakan: TAM
tahun belakangan pada negara China dan
yang diikuti oleh UTAUT.
Bangladesh

Penjelasan mengenai faktor umur dalam

pengadopsian m-health.

Jumlah literatur yang membahas faktor

gender/jenis kelamin dalam pengadopsian m-
health.

Kesimpulan dari hasil penelitian: Menjelajahi

penerapan m-health dengan menerapkan
metode kualitatif atau campuran akan
menghasilkan perspektif yang lebih baik dan
menawarkan bukti yang lebih andal terhadap
literatur aplikasi m-health.
Bab V: Berisi kesimpulan dari keseluruhan
penelitian yang dilakukan.

Kelemahan dari literatur-literatur sebelumnya.

Dan saran perbaikan yang dapat dilakukan di
penelitian selanjutnya.

Menunjukkan fungsi yang dapat dilakukan

dengan penelitian ini. Dan hal yang dapat
dilakukan peneliti di masa depan.

Daftar pustaka/ References yang digunakan di

penelitian baik sebagai data sekunder ataupun
dasar pemahaman literatur yang digunakan.
2. Paper II : Sentiment Analysis Using Convolutional Neural Network

Abstract yang berfungsi untuk menjelaskan

gambaran umum dari keseluruhan isi paper.
Dan latar belakang dibuatnya penelitian.
Metode yang diusulkan untuk penelitian
selanjutnya dan digunakan pada penelitian ini

Tujuan digunakannya metode dan kerangka

yang disarankan dan digunakan.

Gambaran umum langkah-langkah metode

penelitian yang dilakukan.

Hasil keakuratan yang diterima dengan

menggunakan metode yang dilakukan.
Menunjukkan bahwa metode CNN lebih unggil
dari metode deep learning lain seperti RNN
dan MV-RNN.

Bab I: berisi pengantar yang menjelaskan

pentingnya analisis sentimen dan penggunaan
analisis sentimen akurat yang dapat
dimanfaatkan untuk mengurangi kesalahan
dalam pelayanan yang dilakukan.

Metode sebelumnya yang digunakan untuk

analisis sentimen dengan menggunakan
machine learning

Peneliti sebelumnya yang sudah menggunakan

deep learning dengan metode Recursive
Neural Network (RNN). Namun memiliki
masalah terkait kumpulan data terlalu besar
yang mengakibatkanpekerjaan pelabelan data
juga sangat besar.

Solusi dari permasalahan tersebut diatasi

dengan penggunaan metode CNN karena
memiliki koneksi dan parameter yang jauh
lebih sedikit serta lebih mudah untuk dilatih.
Bab II: berisi penelitian sebelumnya yang
melakukan analisis sentimen menggunakan
teknik deep learning, namun bukan teknik
yang sama dengan penelitian yang saat ini
dilakukan. Serta membahas kelebihan dan
kekurangan dari teknik tersebut dan
membandingkannya dengan teknik yang saat
ini dilakukan.

Penelitian yang dipilih: framework yang

dikembangkan oleh Socher yaitu RNN yang
menggunakan dataset ulasan film dari
rottentomatoes.com.

Kekurangan dari framework yang dimiliki

penelitian sebelumnya dalam menganalisis
sentimen.

Kelebihan dari CNN dan langkah-langkah

pengaplikasian metode yang digunakan dalam
penelitian yang menunjang untuk
mendapatkan hasil yang lebih akurat dengan
cara yang lebih sederhana.
Bab III: berisi penjelasan lebih dalam mengenai
framework yang digunakan yaitu Word2Vec
dan CNN. Dimana Word2Vec akan
menerjemahkan teks ke dalam vector yang
dapat dipahami oleh CNN.

Subbab ini menjelaskan teoritis terkait

Word2Vec dan alasan pemilihan framework ini
sebagai kolaborasi yang dilakukan dengan
CNN.

Subbab ini menjelaskan teoritis terkait CNN,

cara perhitungannya, alasan pemilihan teknik
ini sebagai Solusi yang ditawarkan untuk
kemudahan dan keakuratan sentimen analisis
dan lapisan-lapisan yang digunakan.

Contoh hasil pengklasifikasian parameter yang

dihasilkan dari metode yang dilakukan.

Bagan arsitektur CNN yang dilakukan di

penelitian ini dengan ukuran input adalah
53x300.
Detail perhitungan inisiasi CNN yang dilakukan
menggunakan mini-batch penurunan gradien
stokastik dengan momentum yang disetel ke
0.9 dan peluruhan bobot disetel ke 0.0005.

Hasil perhitungan yang dilakukan dalam

bentuk tabel.

Bab IV: berisi penjelasan penelitian yang

dilakukan atau eksperimen yang dilakukan
yang menggunakan dataset public yang berasal
dari http://nlp.stanford.edu/sentiment/ .

Subbab A. Dataset berisi penjelasan detail

terkait penelitian yang dilakukan.

Jumlah kalimat riview film yang terdiri dari

50% positif dan negatif.
Jenis pengklasifikasian yang akan dilakukan
menjadi 5 kelas yaitu: negatif, agak negatif,
netral, positif, dan agak positif.

Jumlah kalimat yang akan digunakan.

Jumlah kalimat pengujian.

Detail dataset yang digunakan dalam bentuk

tabel dengan ketentuan yang ditampikan.

Subbab B. Result and Discussion berisi

penjelasan detail hasil dan diskusi pada
penelitian ini.
 Diagram yang menunjukkan
detail untuk pemrosesan Detail rumus yang digunakan
dataset. berdasarkan nilai iterasi:

Tabel
Ukuran setiap perbandingan
jaringan neural keakuratan
yang dan jumlah analisis
parameter yang sentimen dari
diambil dalam beberapa
bentuk tabel. metode.
Hasilnya CNN
memiliki Tingkat
keakuratan yang
Detail paling tinggi
penjelasan dan
perhitungan
parameter untuk
jaringan neural.

Grafik keakuratan framework

CNN dengan jumlah iterasi
yang terus meningkat.
 Grafik yang menunujukkan
keakuratan metode CNN
dengan jumlah batch yang
berbeda.

Penjelasan terkait grafik

keakuratan berdasarkan
ukuran batch dan iterasi.

Hasil akhir keakuratan

framework yang
digunakan oleh
penelitian ini.

Bab V: Berisi
kesimpulan terkait
keseluruhan
penelitian yang
dilakukan.

Keyakinan bahwa pentingnya Keseluruhan referensi yang

penggunaan analisis sentimen digunakan dalam mendukung
sebagai strategi prediksi masa depan penelitian ini.
yang tentunya memiliki tingkat
keakuratan yang tinggi serta
pengaplikasian yang tidak kompleks.