Penerapan Analisis Sentimen pada Pengguna Twitter Menggunakan Metode K-Nearest Neighbor
Abstract This research is made to implement the KNN (K-Nearest Neighbor) algorithm for sentiment analysis Twitter about Jakarta Governor Election 2017. The object is 2000 data tweets in Indonesia collected from Twitter during Januari 2017 using Python package called Twitterscraper. The methode used...
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Universitas Islam Negeri Sunan Kalijaga Yogyakarta
2018-12-01
|
| Series: | JISKA (Jurnal Informatika Sunan Kalijaga) |
| Online Access: | http://ejournal.uin-suka.ac.id/saintek/JISKA/article/view/1221 |
| _version_ | 1827887768428085248 |
|---|---|
| author | Akhmad Deviyanto Muhammad Didik Rohmad Wahyudi |
| author_facet | Akhmad Deviyanto Muhammad Didik Rohmad Wahyudi |
| author_sort | Akhmad Deviyanto |
| collection | DOAJ |
| description | Abstract
This research is made to implement the KNN (K-Nearest Neighbor) algorithm for sentiment analysis Twitter about Jakarta Governor Election 2017. The object is 2000 data tweets in Indonesia collected from Twitter during Januari 2017 using Python package called Twitterscraper. The methode used in sentiment analysis system is KNN with TF-IDF term weighting and Cosine similarity measure. As the test result, the highest accuracy is 67,2% when k=5, the highest precision is 56,94% with k=5, and the highest recall 78,24% with k=15.
Keywords : K – Nearest Neighbor, Twitterscraper, TF-IDF, Cosine Similarity
Penelitian ini dibuat untuk mengimplementasikan algoritma KNN (K - Nearest Neighbor) dalam analisis sentimen pengguna Twitter tentang topik Pilkada DKI 2017. Data tweet yang digunakan adalah sebanyak 2000 data tweet berbahasa Indonesia yang dikumpulkan selama bulan Januari 2017 menggunakan package Python bernama Twitterscraper. Menggunakan algoritma KNN dengan pembobotan kata TF-IDF dan fungsi Cosine Similarity, akan dilakukan pengklasifikasian nilai sentimen ke dalam dua kelas : positif dan negatif. Dari hasil pengujian diketahui bahwa nilai akurasi terbesar adalah 67,2% ketika k=5, presisi tertinggi 56,94% ketika k=5, dan recall 78,24% dengan k=15.
Kata Kunci : K – Nearest Neighbor, Twitterscraper, TF-IDF, Cosine Similarity |
| first_indexed | 2024-03-12T20:23:16Z |
| format | Article |
| id | doaj.art-47ec3505d72a4fc4942100d4859e504a |
| institution | Directory Open Access Journal |
| issn | 2527-5836 2528-0074 |
| language | English |
| last_indexed | 2024-03-12T20:23:16Z |
| publishDate | 2018-12-01 |
| publisher | Universitas Islam Negeri Sunan Kalijaga Yogyakarta |
| record_format | Article |
| series | JISKA (Jurnal Informatika Sunan Kalijaga) |
| spelling | doaj.art-47ec3505d72a4fc4942100d4859e504a2023-08-02T00:42:47ZengUniversitas Islam Negeri Sunan Kalijaga YogyakartaJISKA (Jurnal Informatika Sunan Kalijaga)2527-58362528-00742018-12-013110.14421/jiska.2018.31-011122Penerapan Analisis Sentimen pada Pengguna Twitter Menggunakan Metode K-Nearest NeighborAkhmad DeviyantoMuhammad Didik Rohmad Wahyudi0Informatics Engineering Department, Faculty of Science and Technology, State Islamic University (UIN) Sunan Kalijaga, YogyakartaAbstract This research is made to implement the KNN (K-Nearest Neighbor) algorithm for sentiment analysis Twitter about Jakarta Governor Election 2017. The object is 2000 data tweets in Indonesia collected from Twitter during Januari 2017 using Python package called Twitterscraper. The methode used in sentiment analysis system is KNN with TF-IDF term weighting and Cosine similarity measure. As the test result, the highest accuracy is 67,2% when k=5, the highest precision is 56,94% with k=5, and the highest recall 78,24% with k=15. Keywords : K – Nearest Neighbor, Twitterscraper, TF-IDF, Cosine Similarity Penelitian ini dibuat untuk mengimplementasikan algoritma KNN (K - Nearest Neighbor) dalam analisis sentimen pengguna Twitter tentang topik Pilkada DKI 2017. Data tweet yang digunakan adalah sebanyak 2000 data tweet berbahasa Indonesia yang dikumpulkan selama bulan Januari 2017 menggunakan package Python bernama Twitterscraper. Menggunakan algoritma KNN dengan pembobotan kata TF-IDF dan fungsi Cosine Similarity, akan dilakukan pengklasifikasian nilai sentimen ke dalam dua kelas : positif dan negatif. Dari hasil pengujian diketahui bahwa nilai akurasi terbesar adalah 67,2% ketika k=5, presisi tertinggi 56,94% ketika k=5, dan recall 78,24% dengan k=15. Kata Kunci : K – Nearest Neighbor, Twitterscraper, TF-IDF, Cosine Similarityhttp://ejournal.uin-suka.ac.id/saintek/JISKA/article/view/1221 |
| spellingShingle | Akhmad Deviyanto Muhammad Didik Rohmad Wahyudi Penerapan Analisis Sentimen pada Pengguna Twitter Menggunakan Metode K-Nearest Neighbor JISKA (Jurnal Informatika Sunan Kalijaga) |
| title | Penerapan Analisis Sentimen pada Pengguna Twitter Menggunakan Metode K-Nearest Neighbor |
| title_full | Penerapan Analisis Sentimen pada Pengguna Twitter Menggunakan Metode K-Nearest Neighbor |
| title_fullStr | Penerapan Analisis Sentimen pada Pengguna Twitter Menggunakan Metode K-Nearest Neighbor |
| title_full_unstemmed | Penerapan Analisis Sentimen pada Pengguna Twitter Menggunakan Metode K-Nearest Neighbor |
| title_short | Penerapan Analisis Sentimen pada Pengguna Twitter Menggunakan Metode K-Nearest Neighbor |
| title_sort | penerapan analisis sentimen pada pengguna twitter menggunakan metode k nearest neighbor |
| url | http://ejournal.uin-suka.ac.id/saintek/JISKA/article/view/1221 |
| work_keys_str_mv | AT akhmaddeviyanto penerapananalisissentimenpadapenggunatwittermenggunakanmetodeknearestneighbor AT muhammaddidikrohmadwahyudi penerapananalisissentimenpadapenggunatwittermenggunakanmetodeknearestneighbor |