IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR PADA ANALISIS SENTIMEN ULASAN PENGGUNA APLIKASI DIGITAL KORLANTAS POLRI
Kata Kunci:
K-Nearest Neighbor, Digital Korlantas POLRI, Analisis Sentimen, Klasifikasi, K-NNAbstrak
Digital Korlantas POLRI adalah aplikasi untuk memperpanjang SIM secara online yang diluncurkan Korlantas POLRI untuk membantu masyarakat dalam memperpanjang SIM. Aplikasi Digital Korlantas POLRI sudah diunduh sebanyak kurang lebih 1 juta download dengan 87,1 ribu ulasan dan 3,8 rating. Banyaknya ulasan pengguna aplikasi sehingga memerlukan waktu untuk mengetahui secara keseluruhan ulasan pengguna. Dibutuhkan suatu sistem yang dapat mengklasifikasikan sentimen seseorang secara otomatis ke dalam kelas positif atau negatif. Tujuan dari penelitian ini adalah untuk mengimplementasikan algoritma K-Nearest Neighbor untuk mengklasifikasikan ulasan pengguna aplikasi. Metode yang digunakan adalah analisis sentiment, preprocessing data, pembobotan TF-IDF dan algoritma K-NN. Dataset yang digunakan pada penelitian ini sebanyak 600 data ulasan pengguna yang dibagi menjadi 70% data latih dan 30% data uji. Hasil pengujian didapati nilai akurasi tertinggi dengan nilai k= 9 sebesar 93.88%, nilai presisi tertinggi dengan nilai k=5 sebesar 96.90% dan recall tertinggi dengan nilai k=9 sebesar 93.26%. Berdasarkan dari 180 ulasan yang terdapat pada data uji, ulasan masyarakat terhadap aplikasi cenderung positif dengan 104 ulasan positif dan 76 ulasan negatif.
Referensi
W. Setiawan, “Era Digital dan Tantangannya. Seminar Nasional Pendidikan,” Semin. Nas. Pendidik., pp. 1–9, 2017.
(2021) Kompas. [Online]. Available: https://nasional.kompas.com/read/2021/04/13/18003571/korlantas-polri-luncurkan-aplikasi-sinar-perpanjang-sim-cukup-lewat
(2023) Digitalkorlantas Polri. [Online]. Available: https://www.digitalkorlantas.id/
E. R. Kaburuan and N. R. Setiawan, “Sentimen Analisis Review Aplikasi Digital Korlantas Pada Google Play Store Menggunakan Metode SVM,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 12, no. 1, pp. 105–116, Mar. 2023.
(2023) Qeios website. [Online]. Available: https://www.qeios.com/read/YF9X04
S. Bhatia, M. Sharma, and K. K. Bhatia, “Sentiment Analysis and Mining of Opinions,” Stud. Big Data, vol. 30, no. May, pp. 503–523, 2018.
A. Deviyanto and M. D. R. Wahyudi, “Penerapan Analisis Sentimen Pada Pengguna Twitter Menggunakan Metode K-Nearest Neighbor,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 3, no. 1, p. 1, 2018.
N. Faridhotun, E. Haerani, and R. M. Candra, “Analisis Sentimen Ulasan Aplikasi WeTV Untuk Peningkatan Layanan Menggunakan Metode K-Nearst Neighbor,” J. Inf. Syst. Res., vol. 4, no. 3, pp. 855–864, Apr. 2023.
V. Amrizal, “Penerapan Metode Term Frequency Inverse Document Frequency (Tf-Idf) Dan Cosine Similarity Pada Sistem Temu Kembali Informasi Untuk Mengetahui Syarah Hadits Berbasis Web (Studi Kasus: Hadits Shahih Bukhari-Muslim),” J. Tek. Inform., vol. 11, no. 2, pp. 149–164, 2018.
N. N. I. W. Astuti, I. M. A. D. Suarjaya, and I. M. S. Raharja, “Analisis Sentimen Masyarakat Terhadap Pelaksanaan Layanan Kesehatan Selama Masa Pandemi Di Indonesia Menggunakan Teknologi Big Data,” JITTER J. Ilm. Teknol. dan Komput., vol. 3, no. 2, p. 1245, 2022.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2023 Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI)

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.