ANALISIS SENTIMEN MASYARAKAT TERHADAP TILANG ELEKTRONIK PADA TWITTER DENGAN ALGORITMA K-NEAREST NEIGHBOR

Penulis

  • Hendri ansyah Universitas Budi Luhur
  • Wahyu Pramusinto Universitas Budi Luhur

Kata Kunci:

counvectorizer, k-nearest neighbor, twitter, tilang elektronik

Abstrak

Sistem transportasi merupakan suatu hal yang penting bagi suatu kota, terutama di kota-kota besar yang padat aktivitas dan padat penduduk. Selain itu, sistem transportasi sangat penting dalam menentukan efisiensi suatu kota. Banyak kasus pelanggaran lalu lintas di jalan raya yang cenderung berujung pada kecelakaan dan menambah kemacetan lalu lintas. Pelanggaran lalu lintas sebagian besar disebabkan oleh ketidakpatuhan terhadap peraturan yang terkait dengan jalur, rambu lalu lintas dan lampu lalu lintas, termasuk peraturan larangan berhenti, parkir di tempat yang tidak sah, lampu merah, mengemudi kendaraan tanpa izin dan perlengkapan kendaraan dan pelanggaran lainnya. Polisi telah menetapkan peraturan tentang tilang elektronik yang akan membantu menangani pelanggaran lalu lintas. Tujuan dari penelitian ini adalah Bagaimana presentasi pandangan (sentimen) masyarakat Indonesia terhadap tilang eleketronik pada periode 20 maret hingga 29 mei 2023 Adapun masalah penelitian ini bagaimana nilai akurasi yang diperoleh algoritma K-Nearest Neighbor dalam melakukan analisis sentiment, Bagaimana cara menganalisis sentimen berdasarkan pendapat masyarakat Indonesia melalui media sosial twitter. K-Nearest Neighbor (K-NN) adalah salah satu algoritma yang digunakan dalam masalah klasifikasi. Prinsip operasi K-NN adalah mencari jarak terpendek antara data yang akan dievaluasi dengan tetangga terdeka. Metode yang digunakan adalah mengekstraksi fitur CountVectorizer dan algoritma klasifikasi K-Nearest Neighbor. Penelitian ini menggunakan library Tweet-harvest dengan menggunakan Google Colabs dan bahasa pemrograman Python. Kumpulan data yang digunakan diambil dari jejaring sosial Twitter berupa (tweet) atau kicauan dalam bahasa Indonesia didapatkan melalui fungsi pencarian dengan kata kunci “tilang elektronik”. Hasil analisis berdasarkan 509 tweet menunjukkan 82,71 komentar positif dan 17,29% komentar negatif antara tanggal 20 Maret dan 29 Mei 2023, sedangkan hasil Uji agregat Hasil terbaik diperoleh dengan menggunakan nilai K = 5, dengan akurasi 68 85% akurasi, 77% ingat.

Referensi

M. Afdal and L. Rahma Elita, “Penerapan Text Mining Pada Aplikasi Tokopedia Menggunakan Algoritma K-Nearest Neighbor,” J. Ilm. Rekayasa dan Manaj. Sist. Inf., vol. 8, no. 1, pp. 78–87, 2022.

M. Furqan, S. Sriani, and S. M. Sari, “Analisis Sentimen Menggunakan K-Nearest Neighbor Terhadap New Normal Masa Covid-19 Di Indonesia,” Techno.Com, vol. 21, no. 1, pp. 51–60, 2022, doi: 10.33633/tc.v21i1.5446.

M. S. Alrajak, I. Ernawati, and I. Nurlaili, “Analisis Sentimen Terhadap Pelayanan PT PLN di Jakarta pada Twitter dengan Algoritma K- Nearest Neighbor (K-NN),” Semin. Nas. Mhs. Ilmu Komput. dan Apl., vol. 1, no. 2, pp. 110–122, 2020.

A. Deolika, K. Kusrini, and E. T. Luthfi, “Analisis Pembobotan Kata Pada Klasifikasi Text Mining,” J. Teknol. Inf., vol. 3, no. 2, p. 179, 2019, doi: 10.36294/jurti.v3i2.1077.

A. V. Sudiantoro et al., “Analisis Sentimen Twitter Menggunakan Text Mining Dengan,” vol. 10, no. 2, pp. 398–401, 2018.

F. V. Sari and A. Wibowo, “Analisis Sentimen Pelanggan Toko Online Jd.Id Menggunakan Metode Naïve Bayes Classifier Berbasis Konversi Ikon Emosi,” J. SIMETRIS, vol. 10, no. 2, pp. 681–686, 2019.

N. A. Rakhmawati, R. B. Waskitho, D. A. Rahman, and M. F. A. U. Nuha, “Klasterisasi Topik Konten Channel Youtube Gaming Indonesia Menggunakan Latent Dirichlet Allocation,” J. Inf. Eng. Educ. Technol., vol. 5, no. 2, pp. 78–83, 2021, doi: 10.26740/jieet.v5n2.p78-83.

S. Khairunnisa, A. Adiwijaya, and S. Al Faraby, “Pengaruh Text Preprocessing terhadap Analisis Sentimen Komentar Masyarakat pada Media Sosial Twitter (Studi Kasus Pandemi COVID-19),” J. Media Inform. Budidarma, vol. 5, no. 2, p. 406, 2021, doi: 10.30865/mib.v5i2.2835.

N. Nofiyani and W. Wulandari, “Implementasi Electronic Data Processing Untuk meningkatkan Efektifitas dan Efisiensi Pada Text Mining,” J. Media Inform. Budidarma, vol. 6, no. 3, p. 1621, 2022, doi: 10.30865/mib.v6i3.4332.

S. Juniarsih, E. F. Ripanti, and E. E. Pratama, “Implementasi Naive Bayes Classifier pada Opinion Mining Berdasarkan Tweets Masyarakat Terkait Kinerja Presiden dalam Aspek Ekonomi,” J. Sist. dan Teknol. Inf., vol. 8, no. 3, p. 239, 2020, doi: 10.26418/justin.v8i3.39118.

M. Priandi and Painem, “Analisis Sentimen Masyarakat Terhadap Pembelajaran Daring di Era Pandemi Covid-19 pada Media Sosial Twitter Menggunakan Ekstraksi Fitur Countvectorizer dan Algoritma K-Nearest Neighbor,” Semin. Nas. Mhs. Ilmu Komput. dan Apl. Jakarta-Indonesia, no. September, pp. 311–319, 2021.

B. M. Pintoko and K. M. L., “Analisis Sentimen Jasa Transportasi Online pada Twitter Menggunakan Metode Naive Bayes Classifier,” e-Proceeding Eng., vol. 5, no. 3, pp. 8121–8130, 2018.

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

Unduhan

Diterbitkan

12-10-2023

Cara Mengutip

ansyah, H., & Pramusinto, W. (2023). ANALISIS SENTIMEN MASYARAKAT TERHADAP TILANG ELEKTRONIK PADA TWITTER DENGAN ALGORITMA K-NEAREST NEIGHBOR. Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), 2(2), 1094–1101. Diambil dari https://senafti.budiluhur.ac.id/index.php/senafti/article/view/1030

Terbitan

Bagian

Artificial Intelligence

Artikel paling banyak dibaca berdasarkan penulis yang sama

1 2 > >>