Uji Akurasi Penggunaan Metode KNN dalam Analisis Sentimen Kenaikan Harga BBM pada Media Twitter
Abstract
The government in an effort to run the government is inseparable from the policies that must be made and taken. One policy alone can attract diverse sentiments from society. Based on this, this study was made to analyze public sentiment towards government policies, especially government policies regarding fuel price hikes. In this study, the analysis process using the K-Nearest Neighbor algorithm classifies tweets from Twitter into two categories, namely positive and negative. The research stages started from crawling data, data preprocessing, labeling, classification using the KNN algorithm, and evaluation. With an accuracy of 94.33% in classifying data. With the results of this research, it is hoped that it will make it easier for the government to see people's responses and sentiments towards the fuel increase policy so that the government can produce better policies by incorporating what the people have given.
Keywords: K-Nearest Neighbor Algorithm; Rise in fuel prices; Sentiment Analysis; Twitter.
Abstrak
Pemerintah dalam upaya menjalankan pemerintahan tidak terlepas dengan kebijakan-kebijakan yang harus dibuat dan diambil. Dari satu kebijakan saja sudah bisa menarik sentimen yang beragam dari masyarakat. Dengan berdasarkan hal itu penelitian ini dibuat untuk menganalisa sentimen masyarakat terhadap kebijakan pemerintah khususnya pada kebijakan pemerintah mengenai Kenaikan BBM. Pada penelitian ini proses analisa menggunakan algoritme K-Nearest Neighbor mengklasifikasikan tweets dari twitter menjadi dua kategori yaitu positif dan negatif. Tahapan penelitian dimulai dari crawling data, data preprocessing, pelabelan, klasifikasi menggunakan algoritme KNN, dan Evaluasi. Dengan hasil akurasi 94,33% dalam mengklasifikasikan data. Dengan hasil penelitian ini diharapkan dapat mempermudah pemerintah dalam melihat tanggapan dan sentimen masyarakat terhadap kebijakan kenaikan BBM sehingga pemerintah dapat menghasilkan kebijakan yang lebih baik bersama dengan masukkan-masukkan yang diberikan rakyat.
Kata kunci: Algoritme K-Nearest Neighbor; Kenaikan Harga BBM; Analisa Sentimen; Twitter.
References
H. Ghilman Rozy, A. Nuri, “Analisis Damfak Kebijakan Perubahan Publik Harga BBM terhadap Perekonomian Rakyat Indonesia,” Jurnal Ilmu Komputer, Ekonomi dan Manajemen (JIKEM), vol. 2, no. 1, pp.1464-1474, 2022
P. Ayu Nur Irwinesia, “Analisis Framing Berita Demonstrasi Mahasiswa Semarang Terkait Kenaikan Harga Bbm Pada Tv Borobudur”, THE MESSENGER, vol. IV, no. 1, 2022
R. Andrianto, “Ini Bukti Harga Minyak Liar karena Perang Rusia-Ukraina,” Cnbcindonesia, 2022. [Online]. Available: https://www.cnbcindonesia.com/market/20220601152311-17-343480/ini-bukti-harga-minyak-liar-karena-perang-rusia-ukraina. [Diakses 01 Juni 2022].
A. Ramadhan, “Harga BBM Pertalite, Solar, hingga Pertamax Resmi Naik Mulai Hari Ini,” Cnbcindonesia, 2022. [Online]. Available: https://www.cnbcindonesia.com/market/ 20220601152311-17-343480/ini-bukti-harga-minyak-liar-karena-perang-rusia-ukraina. [Diakses 30 September 2022].
W. Wardani, S. S. U. Arfah, Z. and P. S. Lubis, "Dampak kenaikan Bahan Bakar Minyak (BBM) Terhadap Inflasi dan Implikasinya Terhadap Makroekonomi di Indonesia," All Fields of Science J-LAS, vol. 2, no. 3, pp. 63-70, 2022.
D. Yuliani, S. Saryono, D. Apriani, M. and M. Ro, "Dampak Kenaikan Harga Bahan Bakar Minyak (BBM) Terhadap Sembilan Bahan Pokok (Sembako) Di Kecamatan Tambun Selatan Dalam Masa Pandemi," Jurnal Citizenship Virtues, vol. 2, no. 2, pp. 320-326, 2022.
K. Ulfa, S. T. Suseno, “Analisis Sentimen Terhadap Bantuan Subsidi Upah (BSU) pada Kenaikan Harga Bahan Bakar Minyak (BBM)”, JURNAL MEDIA INFORMATIKA BUDIDARMA vol. 6, no. 4, pp. 2335-2340, 2022.
G. Muhammad, S. R. Ragam, W. Sejati, “Analisis Sentimen Twitter Terhadap Kenaikan Bahan Bakar Minyak Menggunakan Algoritme Naïve Bayes”, 2nd Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI, vol. 2, no. 1, April.
A. Asro’i dan F. Herny, “Analisis Sentimen Pengguna Twitter terhadap Perpanjangan PPKM Menggunakan Metode K-Nearest Neighbor,” Jurnal Khatulistiwa Informatika, vol. 10, no. 1, pp. 17-24, 2022.
R. Savira, A. Solichin, I. dan M. Syafrullah, “Analisis Sentimen Pada Twitter Terhadap Kenaikan BBM 2022 Dengan Lexicon dan Support Vector Machine,” Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), vol. 2, no. 1, pp. 211 - 218, 2023.
A. Hermawan, I. Jowensen, J. dan E. , “Implementasi Text-Mining untuk AnalisisSentimen pada Twitter dengan Algoritme Support Vector Machine,” Jurnal Sains dan Teknologi, vol. 12, no. 2, pp. 129-137, 2023.
A. Firdaus dan W. I. Firdaus, “Text Mining Dan Pola Algoritme Dalam Penyelesaian Masalah Informasi: (Sebuah Ulasan),” Jurnal Jupiter, vol. 13, no. 1, pp. 66 - 78, 2021.
H. Leiydiana, "Penerapan Algoritme K-Nearest Neighbor Untuk Penentuan Resiko Kredit Kepemilikan Kendaraan Bermotor," Jurnal Penelitian Ilmu Komputer, System Embedded & Logic, vol. 1, no. 1, pp. 65 - 76, 2013.
G. Okfalisa, M. I dan N. Reza, “Comparative analysis of k-nearest neighbor and modified k-nearest neighbor algorithm for data classification,” dalam Proceedings - 2017 2nd International Conferences on Information Technology, Information Systems and Electrical Engineering, 2018.
Binus, “confusion-matrix,” Binus, 2020. [Online]. Available: https://socs.binus.ac.id/2020/ 11/01/ confusion-matrix/. [Diakses 18 November 2022].
M. R. Nahjan, N. Heryana dan A. Voutama, “Implementasi Rapidminer Dengan Metode Clustering K-Means Untuk Analisa Penjualan Pada Toko OJ CELL,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 1, pp. 101 - 104, 2023.
Z. Efendi and Mustakim, "Text Mining Classification Sebagai Rekomendasi Dosen Pembimbing Tugas Akhir Program Studi Sistem Informasi," in Seminar Nasional Teknologi Informasi, Komunikasi dan Industri (SNTIKI), 2017.
How To Cite This :
Refbacks
- There are currently no refbacks.
