Klasifikasi Sentimen Menggunakan Algoritma K-Nearest Neighbour (Studi Kasus: Magang Merdeka Belajar)

Penulis

  • Hollywrith Travaganz Nainggolan Informatika S1/Fakultas Ilmu Komputer - UPN Veteran Jakarta
  • Bayu Hananto Informatika S1/Fakultas Ilmu Komputer - UPN Veteran Jakarta
  • Bambang Tri Wahyono Informatika S1/Fakultas Ilmu Komputer - UPN Veteran Jakarta

DOI:

https://doi.org/10.52958/iftk.v19i1.4777

Kata Kunci:

Klasifikasi Sentimen, KNN, Magang Merdeka, Kampus Merdeka, MBKM

Abstrak

Pada tahun 2020, Kementerian Pendidikan dan Kebudayaan meluncurkan program Merdeka Belajar yang membantu para mahasiswa dan mahasiswi untuk menghadapi lingkungan kerja setelah mereka lulus. Akan tetapi, program ini memunculkan polemik. Penelitian ini mencoba melakukan klasifikasi sentimen pada kasus Magang Merdeka Belajar menggunakan algoritma KNN. KNN dipilih dikarenakan algoritma ini lebih handal dalam menangani data noisy, namun untuk meningkatkan akurasi, peneliti menggunakan algoritma Near Miss dalam proses data balancing dikarenakan selisih data adalah 188 data positif dan 212 data negatif.

Referensi

A. Deviyanto dan M. D. R Wahyudi, 2018. “PENERAPAN ANALISIS SENTIMEN PADA PENGGUNA TWITTER MENGGUNAKAN METODE K-NEAREST NEIGHBOR,” Jurnal Informatika Sunan Kalijaga), vol. 3, no. 1, pp. 1–13.

A. Salam, J. Zeniarja, R. Septiyan, dan U. Khasanah, 2018. ANALISIS SENTIMEN DATA KOMENTAR SOSIAL MEDIA FACEBOOK DENGAN K-NEAREST NEIGHBOR (STUDI KASUS PADA AKUN JASA EKSPEDISI BARANG J&T EKSPRESS INDONESIA), vol. 2. Semarang: UNISBANK.

S. Ernawati dan R. Wati, 2018. “Penerapan Algoritma K-Nearest Neighbors Pada Analisis Sentimen Review Agen Travel,” Jurnal KHATULISTIWA Informatika, vol. VI, no. 1, pp. 64–69.

Dirjen Kemendikbud, 2020. “Buku Panduan Merdeka Belajar-Kampus Merdeka,” Jakarta, Departemen Pendidikan dan Kebudyaan.

T. Wilson, J. Wiebe, dan P. Hoffmann, 2005. “Recognizing Contextual Polarity in Phrase-Level Sentiment Analysis,” Proceedings of Human Language Technology Conference and Conference on Empirical Methods in Natural Language Processing, vol. 1, no. 1, pp. 347–354, doi: 10.5120/1160-1453.

R. Feldman dan J. Sanger, 2005. "The Text Mining Handbook: Advanced Approacehs in Analyzing Unstructured Data."

S. N. Lolyta, R. Y. Dillak, dan F. E. Laumal, 2019. “SISTEM DETEKSI PLAGIARISME LINTAS BAHASA MENGGUNAKAN ALGORITMA TF-IDF,” Jurnal Ilmiah FLASH, vol. 5, no. 1, pp. 29–32.

D. Devi, S. K. Biswas, dan B. Purkayastha, 2020. “A Review on Solution to Class Imbalance Problem: Undersampling Approaches,” International Conference on Computational Performance Evaluation, pp. 626–631, doi: 10.1109/ComPE49325.2020.9200087.

L. Afifah, “Algoritma K-Nearest Neighbor (KNN) untuk Klasifikasi,” https://ilmudatapy.com/algoritma-k-nearest-neighbor-knn-untuk-klasifikasi/. Diakses November 2021

Unduhan

Diterbitkan

2023-05-25

Terbitan

Vol 19 No 1 (2023): April 2023

Bagian

Article

Lisensi

Hak Cipta (c) 2023 Hollywrith Travaganz Nainggolan, Bayu Hananto, Bambang Tri Wahyono

Creative Commons License

Artikel ini berlisensi Creative Commons Attribution 4.0 International License.

KEBIJAKAN YANG DIAJUKAN UNTUK JURNAL YANG MENAWARKAN AKSES TERBUKA

Syarat yang harus dipenuhi oleh Penulis sebagai berikut:

  1. Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Commons Attribution License yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
  2. Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
  3. Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).