IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBORS PADA ANALISIS SENTIMEN MASYARAKAT TERHADAP PENERAPAN PEMBERLAKUAN PEMBATASAN KEGIATAN MASYARAKAT

Authors

  • Vitra Bayu Anwari Universistas Budi Luhur
  • Yuliazmi Yuliazmi Universitas Budi Luhur

DOI:

https://doi.org/10.36080/skanika.v5i1.2912

Keywords:

PPKM, K-Nearest Neighbors, Analisis Sentimen

Abstract

Virus Covid-19 merupakan sebuah sejarah baru di dunia, salah satu nya adalah Indonesia yang dilanda virus Covid-19, banyak tindakan yang dilakukan oleh pemerintahan Indonesia dalam memerangi virus Covid-19 salah satu nya adalah menerapkan kebijakan Pemberlakuan Pembatasan Kegiatan Masyarakat (PPKM). Kebijakan tersebut menuai banyak opini dari masyarakat berupa cuitan pada aplikasi twitter, dengan begitu banyaknya opini yang disampaikan, maka akan dilakukan analisis sentimen dari opini masyarakat dengan menggunakan metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM). Data yang sudah melewati proses penambangan data terkumpul sebanyak 365 data yang dilakukan menggunakan aplikasi rapid miner dan dilakukan tahapan modeling menggunakan algoritma k-nearest neighbors dengan hasil nilai perbandingan accuracy sebesar 83.74%, precision sebesar 77.78%, dan nilai recall sebesar 84.00% dari total data sentimen negatif sebanyak 244 dan positif sebanyak 175 data.

Downloads

Download data is not yet available.

References

A. L. Fairuz, R. D. Ramadhani, dan N. A. Tanjung, “Analisis Sentimen Masyarakat Terhadap COVID-19 Pada Media Sosial,” Jurnal DINDA, vol. 1, no. 1, pp. 10–12, 2021.

P. L. O. Permadhi dan I. M. Sudirga, “Problematika Penerapan Pembatasan Kegiatan Masyarakat (PKM) Kota Denpasar Berbasis Adat Dalam Upaya Penanganan Covid-19,” Prosiding Webinar Nasional Universitas Mahasaraswati Denpasar, pp.55-60, 2020.

R. S. Ahmad Gelora Mahardika, “Kedudukan Hukum Pemberlakuan Pembatasan Kegiatan Masyarakat Dalam Sistem Ketatanegaraan Indonesia Ahmad,” LEGACY: Jurnal Hukum dan Perundang-Undangan, vol. 1, no. 1, pp. 1-23, 2021.

T. Yulianita, T. W. Utami, dan M. Al Haris, “Analisis Sentimen dalam Penanganan Covid-19 di Indonesia Menggunakan Naive Bayes Classifier,” Seminar Nasional Variansi, pp. 235–243, 2020.

A. Deviyanto dan M. D. R. Wahyudi, “Penerapan Analisis Sentimen Pada Pengguna Twitter Menggunakan Metode K-Nearest Neighbor,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 3, no. 1, pp. 1-13, 2018.

L. Oktasari, Y. H. Chrisnanto, dan R. Yuniarti, “Text Mining Dalam Analisis Sentimen Asuransi Menggunakan Metode Niave Bayes Classifier,” Prosiding SNST, vol. 1, no. 1, pp. 37–42, 2016.

J. A. Septian, T. M. Fahrudin, dan A. Nugroho, “Analisis Sentimen Pengguna Twitter Terhadap Polemik Persepakbolaan Indonesia Menggunakan Pembobotan TF - IDF dan K - Nearest Neighbor,” Jurnal of Intelligent System and Computation, vol.1, no. 1, pp. 43–49, 2019.

A. P. Giovani, A. Ardiansyah, T. Haryanti, L. Kurniawati, dan W. Gata, “Analisis Sentimen Aplikasi Ruang Guru Di Twitter Menggunakan Algoritma Klasifikasi,” Jurnal Teknoinfo, vol. 14, no. 2, pp. 116-124, 2020.

R. Rosalina, A. Auzar and H. Hermandra, "Penggunaan Bahasa Slang di Media Sosial Twitter," Jurnal TUAH, vol. 2, no. 1, pp. 77–84, 2020.

M. Yasid, “Analisis Sentimen Maskapai Citilink Pada Twitter Dengan Metode Naãve Bayes,” Jurnal Ilmiah Informatika, vol. 7, no. 2, pp. 82-86, 2019.

M. Syarifuddin, “Analisis Sentimen Opini Publik Terhadap Efek Psbb Pada Twitter Dengan Algoritma Decision Tree-Knn-Naïve Bayes,” INTI Nusa Mandiri, vol. 15, no. 1, pp. 87–94, 2020.

N. L. Ratniasih, M. Sudarma, dan N. Gunantara, “Penerapan Text Mining Dalam Spam Filtering Untuk Aplikasi Chat,” Maj. Ilm. Teknol. Elektro, vol. 16, no. 3, pp. 13, 2017.

Z. Efendi dan M. Mustakim, “Text Mining Classification sebagai Rekomendasi Dosen Pembimbing Tugas Akhir Program Studi Sistem Informasi,” Seminar Nasional Teknologi Informasi, Komunikasi dan Industri (SNTIKI)
9, Fakultas Sains dan Teknologi UIN Sultan Syarif Kasim Riau, pp. 235–242, 2017.

H. Rofiq, K. C. Pelangi, dan Y. Lasena, “Penerapan Data Mining Untuk Menentukan Potensi Hujan Harian Dengan Menggunakan Algoritma Naive Bayes,” Jurnal Manajemen Informatika dan Sistem Informasi, vol. 3, no. 1, pp. 8–15, 2020.

I. H. Witten, E. Frank, and M. A. Hall, Data Mining Practical Machine Learning Tools and Techniques (3rd ed). USA: Elsevier, 2011.

Y. Umaidah dan Purwantaro, “Penerapan Algoritma K-Nearest Neighbor (KNN) dengan Pencarian Optimal untuk Prediksi Siswa Berprestasi,” JISICOM (Journal of Infomation System, Informatics and Computing ), vol. 3, no. 2, pp. 1–8, 2019.

D. T. Larose dan C. D. Larose, Discovering Knowledge In Data An Introduction to Data Mining Second Edition Wiley Series on Methods and Applications in Data Mining (Second Edition). p. 336, 2014.

S. Haryati, A. Sudarsono, dan E. Suryana, “Implementasi Data Mining Untuk Memprediksi Masa Studi Mahasiswa Menggunakan Algoritma C4.5 (Studi Kasus: Universitas Dehasen Bengkulu),” Jurnal Media Infotama, vol. 11, no. 2, pp. 130–138, 2015.

A. Dwiki et al., “Analisis Sentimen Pada Ulasan Pengguna Aplikasi Bibit Dan Bareksa Dengan Algoritma KNN,” JATISI (Jurnal Teknik Informatika dan Sistem Informasi), vol. 8, no. 2, pp. 636–646, 2021.

I. A. Nikmatun dan I. Waspada, “Implementasi Data Mining untuk Klasifikasi Masa Studi Mahasiswa Menggunakan Algoritma K-Nearest Neighbor,” Jurnal SIMETRIS, vol. 10, no. 2, pp. 421–432, 2019.

M. Rivki dan A. M. Bachtiar, “Implementasi Algoritma K-Nearest Neighbor Dalam Pengklasifikasian Follower Twitter Yang Menggunakan Bahasa Indonesia,” Jurnal Sistem Informasi, vol. 13, no. 1, pp. 31, 2017.

R. H. Singh, S. Maurya, T. Tripathi, T. Narula, dan G. Srivastav, “Movie Recommendation System using Cosine Similarity and KNN,” International Journal Engineering. Advanced Technology, vol. 9, no. 5, pp. 556–559, 2020.

I. A. Safra and E. Zuliarso, “Analisa Sentimen Persepsi Masyarakat Terhadap Pemindahan Ibukota Baru Di Kalimantan Timur Pada Media Sosial Twitter, Seminar Nasional Multidisiplin Ilmu dan Call For Paper Universitas STIKUBANK (SENDI_U) Ke-6,” pp. 978–979, 2020.

M. Bramer, Principles of Data Mining, Springer, 2007.

D. Muhidin dan A. Wibowo, “Perbandingan Kinerja Algoritma Support Vector Machine dan K-Nearest Neighbor Terhadap Analisis Sentimen Kebijakan New Normal,” STRING (Satuan Tulisan Riset dan Inovasi Teknologi, vol. 5, no. 2, pp. 153, 2020.

Downloads

Published

2022-01-28

How to Cite

[1]
V. B. Anwari and Y. Yuliazmi, “IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBORS PADA ANALISIS SENTIMEN MASYARAKAT TERHADAP PENERAPAN PEMBERLAKUAN PEMBATASAN KEGIATAN MASYARAKAT”, SKANIKA, vol. 5, no. 1, pp. 72–81, Jan. 2022.

Issue

Vol. 5 No. 1 (2022): Jurnal SKANIKA Januari 2022

Section

Articles

License

CC BY-SA 4.0

Creative Commons Attribution-ShareAlike 4.0 International

This license requires that reusers give credit to the creator. It allows reusers to distribute, remix, adapt, and build upon the material in any medium or format, even for commercial purposes. If others remix, adapt, or build upon the material, they must license the modified material under identical terms.

BY: Credit must be given to you, the creator.

SA: Adaptations must be shared under the same terms.ng