%0 Generic
%A SEPTIA DAMAYANTI, CLARISA 
%C UNIVERSITAS LAMPUNG
%D 2025
%F eprints:88535
%I FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
%T TIME SERIES ANALYSIS USING CONVOLUTIONAL NEURAL  NETWORKS (CNN) AND RECURRENT NEURAL NETWORKS (RNN)  FOR MODELING THE FREQUENCY OF INFECTIOUS DISEASE  EPIDEMIC NEWS
%U http://digilib.unila.ac.id/88535/
%X The COVID-19 pandemic has highlighted the importance of leveraging online data  as a tool for predicting future infectious disease trends. This study aims to compare  the performance of two deep learning methods, namely Convolutional Neural  Network (CNN) and Recurrent Neural Network (RNN), in predicting the daily frequency  of online news publications based on three sentiment classes: negative, neutral,  and positive. The results show that CNN delivers the best performance, with  an RMSE of 0.14 and MAPE of 27%, demonstrating its superiority in recognizing  complex patterns in large datasets, especially for negative and neutral sentiment  data. Meanwhile, RNN also yields reasonably good results, particularly for smaller  datasets such as those with positive sentiment, although with slightly lower accuracy  (RMSE of 0.17 and MAPE of 35%). These findings suggest that CNN is  highly recommended for predictions on large-scale datasets, while RNN serves as  a relevant alternative when data availability is limited, albeit with a slightly lower  accuracy rate. Overall, deep learning models have proven effective in predicting  the frequency of online news publications based on sentiment, supporting the use  of online news as an alternative data source for monitoring public health issues.  Keywords: COVID-19, infectious diseases, online news, sentiment.    Pandemi COVID-19 telah menyoroti pentingnya pemanfaatan data online sebagai  alat untuk memprediksi tren penyakit menular di masa depan. Studi ini bertujuan  untuk membandingkan kinerja dua metode deep learning, yaitu Convolutional Neural  Network (CNN) dan Recurrent Neural Network (RNN), dalam memprediksi  frekuensi harian publikasi berita online berdasarkan tiga kelas sentimen: negatif,  netral, dan positif. Hasil penelitian menunjukkan bahwa CNN memberikan kinerja  terbaik, dengan nilai RMSE sebesar 0,14 dan MAPE sebesar 27%, menunjukkan  keunggulannya dalam mengenali pola kompleks pada dataset besar, terutama untuk  data sentimen negatif dan netral. Sementara itu, RNN juga menghasilkan performa  yang cukup baik, khususnya untuk dataset yang lebih kecil seperti data dengan sentimen  positif, meskipun dengan tingkat akurasi yang sedikit lebih rendah (RMSE  sebesar 0,17 dan MAPE sebesar 35%). Temuan ini menunjukkan bahwa CNN sangat  direkomendasikan untuk prediksi pada dataset berskala besar, sementara RNN  merupakan alternatif yang relevan ketika ketersediaan data terbatas, meskipun dengan  tingkat akurasi yang sedikit lebih rendah. Secara keseluruhan, model deep  learning terbukti efektif dalam memprediksi frekuensi publikasi berita online berdasarkan  sentimen, sehingga mendukung penggunaan berita online sebagai sumber  data alternatif untuk pemantauan isu kesehatan masyarakat.  Kata kunci: COVID-19, penyakit menular, berita online, sentimen.