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

Bagian

Article