KOMPARASI METODE NAÏVE BAYES DAN K-NEAREST NEIGHBOR TERHADAP ANALISIS SENTIMEN PENGGUNA APLIKASI PEDULILINDUNGI

Penulis

  • Ari Putra Wibowo STMIK Widya Pratama
  • Wachid Darmawan
  • Nurul Amalia

DOI:

https://doi.org/10.47775/ictech.v17i1.234

Abstrak

Penggunaan aplikasi PeduliLindungi sebagai sarana tracing mendapat berbagai respon dari masyarakat yang disampaikan melalui komentar (ulasan) di playstore. Ada berbagai jenis komentar yang menyataan aplikasi PeduliLindungi mudah digunakan dan ada juga komentar yang menyatakan aplikasi PeduliLindungi belum siap untuk digunakan. Dengan adanya komentar tersebut dapat dilakukan analisis sentimen untuk mengetahui sentimen atau opini dari pengguna aplikasi PeduliLindungi. Berdasarkan uraian diatas peneliti melakukan analisis sentimen terhadap penggunaan aplikasi PeduliLindungi dengan menggunakan data yang diperoleh dari komentar pengguna di playstore. Data yang digunakan sebanyak 321 data yang dikelompokkan kedalam kelas positif dan negatif. Penelitian ini membuat model klasifikasi dengan algoritma Naïve Bayes dan K-Nearest Neighbor, selain itu pada penelitian ini juga dilakukan komparasi kinerja pada algoritma klasikasi Naïve Bayes dan K-Nearest Neighbor dengan menggunak tools Rapid Miner versi 9.9. Berdasarkan eksperimen yang dilakukan diperoleh hasil akurasi sebesar 70,46%, untuk algoritma Naïve Bayes dan akurasi sebesar 73,33% untuk algoritma K-Nearest Neighbor. Dari kedua metode yang digunakan untuk mengetahui tingkat akurasi yang digunakan, maka bisa diambil kesimpulan bahwa metode K-Nearest Neighbor memiliki tingkat akurasi yang lebih baik dibandingkan dengan metode Naive Bayes. Untuk penelitian selanjutnya diharapkan menambah jumlah dataset (data ulasan) yang ada, serta bisa menambahkan metode klasifikasi lainya ataupun bisa menggunakan metod seleksi fitur yang ada di data mining.

Kata kunci: PeduliLindungi, Sentimen Analisis, Naïve Bayes, K-NN

Referensi

Cahyanti, Dewi, Alifah Rahmayani, and Syafira Ainy Husniar. 2020. “Analisis Performa Metode K-NN Pada Dataset Pasien Pengidap Kanker Payudara.” Indonesian Journal of Data and Science 1 (2): 39–43. https://doi.org/10.33096/ijodas.v1i2.13.

Fitriyyah, Sitti Nurul Jannah, Novi Safriadi, and Enda Esyudha Pratama. 2019. “Analisis Sentimen Calon Presiden Indonesia 2019 Dari Media Sosial Twitter Menggunakan Metode Naive Bayes.” Jurnal Edukasi Dan Penelitian Informatika (JEPIN) 5 (3): 279. https://doi.org/10.26418/jp.v5i3.34368.

Han, Jiawei, Micheline Kamber, and Jian Pei. 2012. Data Mining: Concepts and Techniques. https://doi.org/10.1002/1521-3773(20010316)40:6<9823::AID-ANIE9823>3.3.CO;2-C.

Hotho, A, A Nürnberger, and G Paaß. 2005. “A Brief Survey of Text Mining.” In Ldv Forum 20(1): 19–62.

Kurniawan, Robi, and Aulia Apriliani. 2020. “Analisis Sentimen Masyarakat Terhadap Virus Corona Berdasarkan Opini Dari Twitter Berbasis Web Scraper.” Jurnal INSTEK (Informatika Sains Dan Teknologi). https://doi.org/10.24252/instek.v5i1.13686.

Puspita, Rani, and Agus Widodo. 2021. “Perbandingan Metode K-NN, Decision Tree, Dan Naïve Bayes Terhadap Analisis Sentimen Pengguna Layanan BPJS.” Jurnal Informatika Universitas Pamulang 5 (4): 646. https://doi.org/10.32493/informatika.v5i4.7622.

Samsir, Ambiyar, Unung Verawardina, Firman Edi, and Ronal Watrianthos. 2021. “Analisis Sentimen Pembelajaran Daring Pada Twitter Di Masa Pandemi COVID-19 Menggunakan Metode Naïve Bayes.” Jurnal Media Informatika Budidarma 5: 157–63. https://doi.org/10.30865/mib.v5i1.2604.

Witten, Ian H. 2004. “Text Mining.” The Practical Handbook of Internet Computing, 14-1-14–22. https://doi.org/10.1201/9780203507223.

Zaidi, Na, and J Cerquides. 2013. “Alleviating Naive Bayes Attribute Independence Assumption by Attribute Weighting.” The Journal of Machine … 14: 1947–88.

Zhang, Lei, and Bing Liu. 2016. “Sentiment Analysis and Opinion Mining.” Encyclopedia of Machine Learning and Data Mining, no. May: 1–10. https://doi.org/10.1007/978-1-4899-7502-7_907-1.

Unduhan

Diterbitkan

2022-04-30