ALGORITMA K-NEAREST NEIGHBOUR PADA ANALISIS SENTIMEN KEPUASAN WARGA X TERHADAP BERITA KOMPAS
Kata Kunci:
Text Mining, analisis sentimen, kompas, TF-IDFAbstrak
Penelitian ini berfokus pada analisis sentimen masyarakat Indonesia terhadap berita yang dipublikasikan oleh Kompas. Meskipun Kompas terkenal dengan mottonya 'terpercaya', ada banyak pendapat negatif yang yang tersebar di platform media sosial seperti Instagram, Facebook, dan X. Penelitian ini bertujuan untuk menentukan apakah tanggapan publik terhadap berita Kompas bersifat netral, positif, atau negatif dengan menggunakan algoritma K-Nearest Neighbour (KNN). Data dikumpulkan dari 513 tweet yang diambil dari X antara 16 Februari hingga 5 April 2024, dan setelah preprocessing, tersisa 403 tweet. Kata kunci 'berita kompas' digunakan dalam proses crawling. Hasil pengujian menunjukkan bahwa algoritma KNN dengan pembobotan kata TF-IDF mencapai akurasi 86%, precision 86%, recall 97%, dan f1-score 90% pada data training. Pada data testing, hasilnya adalah akurasi 86%, precision 86%, recall 100%, dan f1-score 93%. Analisis sentimen menunjukkan 97.77% sentimen netral, 1.49% sentimen positif, dan 0.74% sentimen negatif. Kesimpulannya, mayoritas masyarakat Indonesia di X memiliki pandangan netral terhadap berita Kompas dalam periode yang diteliti.
Referensi
A. D. Adhi Putra, “Analisis Sentimen pada Ulasan pengguna Aplikasi Bibit Dan Bareksa dengan Algoritma KNN,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 8, no. 2, pp. 636–646, 2021, doi: 10.35957/jatisi.v8i2.962.
S. S. Salim and J. Mayary, “Analisis Sentimen Pengguna Twitter Terhadap Dompet Elektronik Dengan Metode Lexicon Based Dan K – Nearest Neighbor,” J. Ilm. Inform. Komput., vol. 25, no. 1, pp. 1–17, 2020, doi: 10.35760/ik.2020.v25i1.2411.
S. Rahayu, Y. MZ, J. E. Bororing, and R. Hadiyat, “Implementasi Metode K-Nearest Neighbor (K-NN) untuk Analisis Sentimen Kepuasan Pengguna Aplikasi Teknologi Finansial FLIP,” Edumatic J. Pendidik. Inform., vol. 6, no. 1, pp. 98–106, 2022, doi: 10.29408/edumatic.v6i1.5433.
F. Rozi, F. Sukmana, and M. N. Adani, “Pengelompokkan Judul Buku dengan Menggunakan Algoritma K-Nearest Neighbor (K-NN) dan Term Frequency – Inverse Document Frequency (TF-IDF),” JIMP J. Inform. Merdeka Pasuruan, vol. 6, no. 3, pp. 1–5, 2021.
A. Tanggu Mara, E. Sediyono, and H. Purnomo, “Penerapan Algoritma K-Nearest Neighbors Pada Analisis Sentimen Metode Pembelajaran Dalam Jaringan (DARING) Di Universitas Kristen Wira Wacana Sumba,” Jointer - J. Informatics Eng., vol. 2, no. 01, pp. 24–31, 2021, doi: 10.53682/jointer.v2i01.30.
D. Abimanyu, E. Budianita, E. P. Cynthia, F. Yanto, and Y. Yusra, “Analisis Sentimen Akun Twitter Apex Legends Menggunakan VADER,” J. Nas. Komputasi dan Teknol. Inf., vol. 5, no. 3, pp. 423–431, 2022, doi: 10.32672/jnkti.v5i3.4382.
D. Safryda Putri and T. Ridwan, “Analisis Sentimen Ulasan Aplikasi Pospay Dengan Algoritma Support Vector Machine,” J. Ilm. Inform., vol. 11, no. 01, pp. 32–40, 2023, doi: 10.33884/jif.v11i01.6611.
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.
S. R. Cholil, T. Handayani, R. Prathivi, and T. Ardianita, “Implementasi Algoritma Klasifikasi K-Nearest Neighbor (KNN) Untuk Klasifikasi Seleksi Penerima Beasiswa,” IJCIT (Indonesian J. Comput. Inf. Technol., vol. 6, no. 2, pp. 118–127, 2021.
H. Al Aziez and G. Anuraga, “Klasifikasi Daerah Tertinggal di Indonesia Menggunakan Algoritma SVM dan k-NN,” J. Ilmu Dasar, vol. 22(1), no. 1, pp. 31–38, 2021.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI)
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
