Implementasi Metode K-Nearest Neighbor Pada Sentimen Masyarakat Terkait Pelaksanaan KTT G20
Abstract
Indonesia is the first Asian country to be appointed to lead the 20th global summit (G20 Summit) and it will be held in Bali, Indonesia. The successful implementation of the G20 Summit attracted public attention, triggering various kinds of public sentiment (opinion) regarding the G20 Summit. With public sentiment, the government can find out the views or opinions of the public regarding the G20 Summit that has been held. Public sentiment can be in the form of positive sentiment or negative sentiment, for this reason a process of classification and analysis of these sentiments is needed. The process of classifying public sentiment starts from the problem identification process, then crawling data to retrieve Tweets from Twitter, data preprocessing to process data, data labeling, KNN-based model training, classification model testing and evaluation. The results of the sentiment analysis show the results of the accuracy of 97.75% accuracy, 100% precision and 97.71% recall.
Keywords: Sentiment analysis; K-Nearest Neighbor, G20 summit implementation
Abstrak
Indonesia merupakan negara Asia pertama yang di tunjuk untuk memimpin Konferensi Tingkat Tinggi Global 20 (KTT G20) dan dilaksanakan di bali, Indonesia. Terlaksananya KTT G20 sukses menarik perhatian publik sehingga memicu munculnya berbagai macam sentimen (opini) masyarakat mengenai KTT G20. Dengan adanya sentimen masyarakat pemerintah dapat mengetahui bagaimana pandangan ataupun opini masyarakat terkait KTT G20 yang telah di laksanakan. Sentimen masyarakat dapat berupa sentimen positif ataupun sentimen negatif, untuk itu di perlukan proses klasifikasi dan analisis terhadap sentimen tersebut. Proses pengklasifikasian sentimen masyarakat di mulai dari proses identifikasi masalah, lalu crawling data untuk mengambil tweet dari Twitter, preprocessing data untuk mengolah data, pelabelan data, training model berbasis KNN, uji model klasifikasi dan evaluasi. Hasil analisis sentimen menunjukkan tingkat akurasi 97,75%, presisi 100% dan recall 97,71%.
Kata kunci: Analisis sentimen; K-Nearest Neighbor; Pelaksanaan KTT G20
References
CNN Indonesia, “Apa Itu KTT G20, Pengertian dan Peranannya.,” CNN Indonesia, 2022. [Online]. Available: https://www.cnnindonesia.com/edukasi/20221114160235-569873566/ apa-itu-ktt-g20-pengertian-dan-peranannya. [Diakses 18 November 2022].
Djkn.kemenkeu.go.id, “Apa itu G20 dan Manfaatnya untuk Indonesia,” DJKN, 2022. [Online]. Available: https://www.djkn.kemenkeu.go.id/kpknl-singkawang/baca-artikel/14747/ Apa-itu-G20-dan-Manfaatnya-untuk-Indonesia.html. [Diakses 18 November 2022].
Bank Indonesia, “Presidensi G20 Indonesia,” Bank Indonesia, 2022. [Online]. Available: https://www.bi.go.id/id/g20/default.aspx. [Diakses 18 November 2022].
S. Soegiarto, & B. Bahar, “Model Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi”. Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, vol. 5, no. 3, pp. 1181-1186, 2017
N. Ajijah, A. Kurniawan, & S. Susilawati, “Klasifikasi Teks Mining Terhadap Analisa Isu Kegiatan Tenaga Lapangan Menggunakan Algoritma K-Nearest Neighbor (KNN)”. J-SAKTI (Jurnal Sains Komputer dan Informatika), vol. 7, no. 1, pp. 254-262, 2023.
R. Kosasih, & A. Alberto, “Analisis Sentimen Produk Permainan Menggunakan Metode TF-IDF Dan Algoritma K-Nearest Neighbor”. InfoTekJar: Jurnal Nasional Informatika dan Teknologi Jaringan, vol. 6, no. 1, pp. 134-139, 2021.
I.W.A. Purnawibawa, I.N. Purnama, & I.N.Y.A. Wijaya, “Komparasi Algoritme K-Nearest Neighbors Dan Support Vector Machines Dalam Prediksi Layanan Produk ICONNET”. Progresif: Jurnal Ilmiah Komputer, vol. 18, no. 2, pp. 271-282, 2022.
K.F. Margolang, M.M. Siregar, S. Riyadi, & Z. Situmorang, “Analisa Distance Metric Algoritma K-Nearest Neighbor Pada Klasifikasi Kredit Macet”. Journal of Information System Research (JOSH), vol. 3, no. 2, pp. 118-124, 2022.
F. A. Wenando, S. Rahman dan M. Harun, “K-nearest neighbor (KNN) untuk menganalisis sentimen terhadap kebijakan merdeka belajar kampus merdeka pada komentar twitter,” Jurnal Computer Science and Information Technology (CoSciTech), vol. 5, pp. 152-158, 2022.
F. Astuti, C. R. Mai, A. Surya dan R. Siti, “Klasifikasi Sentimen Masyarakat Terhadap Pemerintah Terkait Penerapan Kebijakan New Normal Menggunakan Metode K-Nearest Neighbor,” Jurnal Nasional Komputasi dan Teknologi Informasi, vol. 5, 2022.
A. M. Zuhdi, U. Ema dan R. Suwanto, “Analisis Sentiment Twitter Terhadap Capres Indonesia 2019 Dengan Metode K-NN,” Jurnal INFORMA Politeknik Indonusa Surakarta, vol. 5, no. 2, pp. 13-21, 2019
A. E. Pratama, A. Atik dan G. Grace, “Analisis Sentimen Masyarakat terhadap Tim Nasional Indonesia pada Piala AFF 2020 Menggunakan Algoritma K-Nearest Neighbors,” Technology of Information and Communication, vol. 10, no. 1, pp. 187-196, 2021.
A. H. Ansor , “Analisa Sentimen Warganet Terhadap KTT G20 Bali Menggunakan Algoritma Naïve Bayes,” Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, vol. 11, no. 3, pp. 819-828, 2022.
P. A dan A. D. E, “Perbandingan Minat Siswa Smu Pada Metode Klasifikasi Menggunakan 5 Algoritma,” Ikraith-Informatika, vol. 2, no. 3, pp. 43–47, 2018.
S. Ernawati, & R. Wati, “Penerapan Algoritma K-Nearest Neighbors Pada Analisis Sentimen Review Agen Travel. jurnal khatulistiwa informatika, vol. 6, no. 1, pp. 64-69, 2018.
How To Cite This :
Refbacks
- There are currently no refbacks.
