IMPLEMENTASI ALGORITMA K-NEAREST NEIGBORS UNTUK ANALISIS SENTIMEN APLIKASI JOBSTREET

Penulis

  • Muhammad Fadhil Rizki Teknik Informatika, Fakultas Teknologi Informasi, Universitas Budi Luhur, DKI Jakarta, Indonesia
  • Wahyu Pramusinto Teknik Informatika, Fakultas Teknologi Informasi, Universitas Budi Luhur, DKI Jakarta, Indonesia
  • Mardi Hardjianto Teknik Informatika, Fakultas Teknologi Informasi, Universitas Budi Luhur, DKI Jakarta, Indonesia
  • Subandi Subandi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Budi Luhur, DKI Jakarta, Indonesia

Kata Kunci:

K-Nearest Neighbors, Cosine Similarity, Text Mining, Analisis Sentimen, TF-IDF, Penambangan Teks

Abstrak

 Jobstreet merupakan perusahaan pihak ketiga yang menjembatani antara pelamar dengan perusahaan yang dilamar. Para pengguna aplikasi JobStreet dapat memberikan review, review tersebut dapat berupa komentar maupun opini. Karena banyaknya review yang diberikan pengguna maka membutuhkan beberapa waktu untuk membaca ulasan lengkapnya. Namun jika hanya sedikit komentarnya makan sentimen tersebut akan bias, maka dibutuhkan aplikasi dimana dapat secara otomatis dapat dengan mudah mengidentifikasi sentimen positif maupun negatif. Dari penjelasan permsalahaan di atas maka perlu adanya analisis sentimen positif dan negatif untuk melihat sentimen masyarakat pada aplikasi JobStreet. Pada penelitian ini peneliti menggunakan metode text mining, analisis sentimen, dan K-Nearest Neighbors sebagai algoritmanya, tingkat akurasi pada analisis k-nearest neighbors sangatlah efektif jika digunakan pada data latih yang jumlahnya besar dan terdapat informasi kurang atau bahkan tidak berarti. selain itu data yang dianalisis pada penelitian kali ini berjumlah 1000 data dengan pembagian 70:30, 70% data latih dan sisanya untuk data tes. kemudian data tersebut diolah menggunakan tf-idf dan cousine untuk selanjutnya dilanjutkan ke tahap klasifikasi mengunakan KNN. hasil akurasi terbesar adalah 80,54% dengan nilai k=17. sedangkan nilai presisi tertinggi sebesar 82,91% saat k=19 dan recall terbesar 80,62% ketika k=17. untuk meningkatkan nilai akurasi yang lebih baik, maka diperlukan data yang lebih banyak.

Referensi

A. M. Nurendra and W. Purnamasari, “Hubungan Antara Kualitas Kehidupan Kerja Danketerikatan Kerjapada Pekerja Wanita,” Indigenous : Jurnal Ilmiah Psikologi, vol. II, pp. 148-154, 2017.

G. P. Yuhana, Penggunaan Media Online Pencari Kerja Jobstreet Dan Pemenuhan Kebutuhan Informasi Lowongan Kerja, Skripsi ed., Surakarta: Universitas Sebelas Maret, 2019.

N. T. Romadloni, I. Santoso and S. Budilaksono, “Perbandingan Metode Naive Bayes, Knn Dan Decision Tree Terhadap Analisis Sentimen Transportasi KRL Commuter Line,” Jurnal IKRA-ITH Informatika, vol. III, pp. 1-9, 2019.

N. D. Mentari, M. A. Fauzi and L. Muflikhah, “Analisis Sentimen Kurikulum 2013 Pada Sosial Media Twitter Menggunakan Metode K-Nearest Neighbor dan Feature Selection Query Expansion Ranking,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. II, pp. 2739-2743, 2018.

S. Ernawati and R. Wati, “Penerapan Algoritma K-Nearest Neighbors Pada Analisis Sentimen Review Agen Travel,” LPPM Universitas Bina Sarana Informatika, vol. VI, pp. 64-69, 2018.

A. D. A. Putra and S. Juanita, “Analisis Sentimen Pada Ulasan Pengguna Aplikasi Bibit Dan Bareksa Dengan Algoritma KNN,” Jurnal Teknik Informatika dan Sistem Informasi, vol. VIII, pp. 636-646, 2021.

E. Indrayuni, A. Nurhadi and D. A. Kristiyanti, “Implementasi Algoritma Naive Bayes, Support Vector Machine, dan K-Nearest Neighbors Untuk Analisa Sentimen Aplikasi Halodoc,” Faktor Exacta, vol. XIV, pp. 64-71, 2021.

A. Deviyanto and M. D. R. Wahyudi, “Penerapan Analisis Sentimen Pada Pengguna Twitter Menggunakan Metode K-Nearest Neighbor,” JISKa (Jurnal Informatika Sunan Kalijaga), vol. III, pp. 1-13, 2018.

M. R. A. Nasution and M. Hayaty, “Perbandingan Akurasi dan Waktu Proses Algoritma K-NN dan SVM dalam Analisis Sentimen Twitter,” Jurnal Informatika BSI, vol. VI, pp. 212-218, 2019.

R. Sari, “Analisis Sentimen Pada Review Objek Wisata Dunia Fantasi menggunakan Algoritma K-Nearest Neighbor (K-NN),” Evolusi: Jurnal Sains dan Manajemen, vol. VIII, pp. 10-17, 2020.

M. R. Fahlevvi, “Analisis Sentimen Terhadap Ulasan Aplikasi Pejabat Pengelola Informasi dan Dokumentasi Kementerian Dalam Negeri Republik Indonesia di Google Playstore Menggunakan Metode Support Vector Machine,” Institut Pemerintahan Dalam Negeri, vol. IV, pp. 1-13, 2022.

W. E. Nurjanah, R. S. Perdana and M. A. Fauzi, “Analisis Sentimen Terhadap Tayangan Televisi Berdasarkan Opini Masyarakat pada Media Sosial Twitter menggunakan Metode K-Nearest Neighbor dan Pembobotan Jumlah Retweet,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. I, pp. 1750-1757, 2017.

Unduhan

Diterbitkan

30-04-2023

Cara Mengutip

Rizki, M. F., Pramusinto, W., Hardjianto, M., & Subandi, S. (2023). IMPLEMENTASI ALGORITMA K-NEAREST NEIGBORS UNTUK ANALISIS SENTIMEN APLIKASI JOBSTREET. Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), 2(1), 267–276. Diambil dari https://senafti.budiluhur.ac.id/index.php/senafti/article/view/621

Terbitan

Vol 2 No 1 (2023): Prosiding SENAFTI Ke-2 April 2023

Bagian

Artificial Intelligence

Lisensi

Hak Cipta (c) 2023 Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI)

Creative Commons License

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.

Artikel paling banyak dibaca berdasarkan penulis yang sama

1 2 3 > >>