Analisis Sentimen pada Aplikasi PeduliLindungi dengan Menggunakan Metode Improved K-Nearest Neighbor dan Lexicon Based
DOI:
https://doi.org/10.37012/jtik.v8i1.1107Abstract
Opini atau sentiment masyarakat merupakan salah satu indikator penilaian yang ditujukan untuk menilai suatu hal seperti produk atau jasa. Sentiment tentang aplikasi PeduliLindungi yang banyak digunakan pada masa pandemik ini, perlu dianalisis untuk mengetahui bagaimana opini pengguna aplikasi. Melalui media twitter, sentiment-sentiment masyarakat mengenai aplikasi PeduliLindungi dapat digali, kemudian dideteksi apakah sentiment tersebut termasuk ke dalam sentiment positif, sentiment negative, atau sentiment netral. Salah satu teknik yang digunakan untuk menggali informasi mendeteksi opini masyarakat adalah dengan menggunakan analisis sentiment. Penelitian ini terdiri dari beberapa proses untuk melakukan analisis sentiment, yaitu mengumpulkan data, melakukan tahapan pre-processing, pembobotan kata (ekstraksi fitur), dan proses klasifikasi sentiment ke dalam tiga kelas sentiment. Ketiga kelas tersebut yaitu sentiment positif, negative, dan netral. Dengan menggunakan metode Improved K-Nearest Neighbor, penelitian ini memperoleh hasil pengujian analisis sentiment pada tweet berbahasa Indonesia dengan akurasi tertinggi pada k-values 20 sebesar 85%.
References
Alsaeedi, A., & Khan, M. Z. (2019). A study on sentiment analysis techniques of Twitter data. International Journal of Advanced Computer Science and Applications, 10(2), 361–374. https://doi.org/10.14569/ijacsa.2019.0100248
Aplikasi, L., & Andorid, B. (2020). Mengenal Covid-19 dan Cegah Penyebarannya dengan “Peduli Lindungi †Aplikasi Berbasis Andorid, (April).
Hermanto, H., & Noviriandini, A. (2021). Analisa Sentimen Terhadap Belajar Online Pada Masa Covid-19 Menggunakan Algoritma Support Vector Machine Berbasis Particle Swarm Optimization. Jurnal Informatika Kaputama (JIK), 5(1), 129–136. Retrieved from https://jurnal.kaputama.ac.id/index.php/JIK/article/view/451
Khusna, I. H. (2016). Opini Publik Cerminan dari Pemerintah dan Kebijakannya. Promedia, II(1), 120–136.
Mentari, N. D., Fauzi, M. A., & Muflikhah, L. (2018). Analisis Sentimen Kurikulum 2013 Pada Sosial Media Twitter Menggunakan Metode K-Nearest Neighbor dan Feature Selection Query Expansion Ranking. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(8), 2739–2743.
Muslimah, N., Indriati, & Wihandika, R. . (2019). Klasifikasi Film Berdasarkan Sinopsis dengan Menggunakan Improved K-Nearest Neighbor (K-NN). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 3(1), 196–204.
Onantya, I. D., Indriati, & Adikara, P. P. (2019). Analisis Sentimen Pada Ulasan Aplikasi BCA Mobile Menggunakan BM25 Dan Improved K-Nearest Neighbor. Pengembangan Teknologi Informasi Dan Ilmu Komputer, 3(3), 2575–2580. Retrieved from http://j-ptiik.ub.ac.id
Pristiyanti, R. I., Fauzi, M. A., & Muflikhah, L. (2018). Sentiment Analysis Peringkasan Review Film Menggunakan Metode Information Gain dan K-Nearest Neighbor, 2(3), 1179–1186.
Putri, P. A., Ridok, & Indriati. (2013). Implementasi Metode Improved K-Nearest Neighbor pada Analisis Sentimen Twitter Berbahasa Indonesia. Repositori Jurnal Mahasiswa PTIIK UB, 2, 1–8.
Ramadhan Al-Mubaraq, R., Al Faraby, S., & Dwifebri Purbolaksono, M. (2021). Analisis Sentimen pada Ulasan Film dengan Kombinasi Seleksi Fitur Chi-Square dan TF-IDF menggunakan Metode KNN, 8(5), 10080–10090.
Rohwinasakti, Savira; Irawan, Budi; Setianingsih, C. (2020). Analisis Sentimen Pada Produk Layanan Transportasi Online Menggunakan Metode K-Nearest Neighbor, 7(3), 9312–9321.
Shanty Wato Wele Keaan, L. (2019). Analisis Sentimen Review Shopee Berbahasa Indonesia Menggunakan Improved K-Nearest Neighbor dan Jaro Winkler Distance. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 3(7), 2548–2964. Retrieved from http://j-ptiik.ub.ac.id
Sodik, F., & Kharisudin, I. (2021). Analisis Sentimen dengan SVM , Naive Bayes dan KNN untuk Studi Tanggapan Masyarakat Indonesia Terhadap Pandemi Covid-19 pada Media Sosial Twitter. Prisma, 4, 628–634.
Srivastava, A., Singh, V., & Drall, G. S. (2019). Sentiment analysis of twitter data: A hybrid approach. International Journal of Healthcare Information Systems and Informatics, 14(2), 1–16. https://doi.org/10.4018/IJHISI.2019040101
Vadivukarassi, M., Puviarasan, N., & Aruna, P. (2017). Sentimental Analysis of Tweets Using Naive Bayes Algorithm. World Applied Sciences Journal, 35(1), 54–59. https://doi.org/10.5829/idosi.wasj.2017.54.59
Downloads
Published
Issue
Section
Citation Check
License
Jurnal Teknologi Informatika dan Komputer allows readers to read, download, copy, distribute, print, search, or link to the full texts of its articles and allow readers to use them for any other lawful purpose. The journal allows the author(s) to hold the copyright without restrictions. Finally, the journal allows the author(s) to retain publishing rights without restrictions Authors are allowed to archive their submitted article in an open access repository Authors are allowed to archive the final published article in an open access repository with an acknowledgment of its initial publication in this journal.
Jurnal Teknlogi Informatika dan Komputer is licensed under a Creative Commons Attribution 4.0 International License.
