Skip to main content Skip to main navigation menu Skip to site footer
IJESPG
Articles
Published: 2023-08-31

Perbandingan Improved K-Nearest Neighbour Dengan K-Nearest Neighbour Pada Analisis Sentimen Moda Raya Terpadu Jakarta

Program Studi Informatika, Fakultas Sains dan Informatika Universitas Jenderal Achmad Yani
Program Studi Informatika, Fakultas Sains dan Informatika Universitas Jenderal Achmad Yani
Program Studi Informatika, Fakultas Sains dan Informatika Universitas Jenderal
Improved K-Nearest Neighbor K-Nearest Neighbor MRT Jakarta

Abstract

ABSTRAK

K-Nearest Neighbour merupakan algoritma klasifikasi yang dikenal sebagai metode berbasis jarak. Improved K-Nearest Neighbour merupakan perkembangan dari K-Nearest Neighbour yang memiliki perbedaan pada bobot nilai k yang memiliki nilai tetap Permasalahan dalam penelitian ini adalah bagaimana akurasi metode iknn dibandingan pada analisis sentimen Moda Raya Terpadu Jakarta (MRT). MRT Jakarta merupakan sebuah transportasi umum yang menggunakan listrik di Jakarta yang diharapkan dapat mengurangi angka kemacetan di daerah Jakarta. Pengoprasian MRT yang sudah secara resmi banyak menimbulkan respon dari masyarakat, baik itu respon yang positif, negatif, maupun netral. Untuk mengetahui hal tersebut, analisis sentiment dapat digunakan untuk mengklasifikasikan sebuah kalimat. Hasil penelitian dengan eksperimen dataset yang tidak balance dan yang balance di setiap kelasnya, eksperimen nilai K dan beberapoa splitting data menunjukkan bahwa peningkatan akurasi metode Improved K-Nearest Neighbour  terhadap K-Nearest Neighbour pada kasus analisis sentiment moda raya terpadu tidak signifikan, dengan akurasi 77.24%, precission sebesar 0.77, Recall sebesar 0.77, dan F1 Score sebesar 0.77. Sedangkan metode ­K-Nearest Neighbour memiliki akurasi sebesar 76.12%, dengan precission sebesar 0.76,  Recall sebesar 0.76, dan F1 Score sebesar 0.76.

 

Kata kunci: Improved K-Nearest Neighbour. K-Nearest Neighbour, MRT Jakarta

 

ABSTRACT

K-Nearest Neighbor is a classification algorithm known as the distance-based method. Improved K-Nearest Neighbor is a development of K-Nearest Neighbor which has a difference in the weight of the value of k which has a fixed value. The problem in this research is how the accuracy of the Improved K-Nearest Neighbor method is compared to the sentiment analysis of the Jakarta Integrated Raya Mode (MRT). MRT Jakarta is a public transportation that uses electricity in Jakarta which is expected to reduce congestion in the Jakarta area. The operation of the MRT which has officially elicited many responses from the public, be it positive, negative or neutral responses. To know this, sentiment analysis can be used to classify a sentence. The results of the research with unbalanced and balanced dataset experiments in each class, experiments on K values and some data splitting show that the increase in accuracy of the Improved K-Nearest Neighbor method against K-Nearest Neighbor in the case of integrated modal sentiment analysis is not significant, with an accuracy of 77.24 %, precision of 0.77, Recall of 0.77, and F1 Score of 0.77. While the K-Nearest Neighbor method has an accuracy of 76.12%, with a precision of 0.76, Recall of 0.76, and F1 Score of 0.76.

References

  1. Agustina, Dina, & Rahmah, Fitri. (2022). Analisis Sentimen pada Sosial Media Twitter terhadap MRT Jakarta Menggunakan Machine Learning. 2, 1–6.
  2. Amardita, Rizki Syafaat, Adiwijaya, Adiwijaya, & Purbolaksono, Mahendra Dwifebri. (2022). Analisis Sentimen terhadap Ulasan Paris Van Java Resort Lifestyle Place di Kota Bandung Menggunakan Algoritma KNN. JURIKOM (Jurnal Riset Komputer), 9(1), 62. https://doi.org/10.30865/jurikom.v9i1.3793
  3. Andriani, Desy, & Tanzil Furqon, Muhammad. (2019). Peringkasan Teks Otomatis Pada Artikel Berita Hiburan Berbahasa Indonesia Menggunakan Metode BM25. 3(3), 2548–2964. Retrieved from http://j-ptiik.ub.ac.id
  4. Arafah, Siti Nur, & Fathoni, Fathoni. (2022). Sentiment Analysis Pada Masyarakat Terhadap LRT Kota Palembang Menggunakan Metode Improved K-Nearest Neighbor. Jurnal Media Informatika Budidarma, 6(3), 1554. https://doi.org/10.30865/mib.v6i3.4434
  5. Hendrastuty, Nirwana, Rahman Isnain, Auliya, Yanti Rahmadhani, Ari, Styawati, Styawati, Hendrastuty, Nirwana, Isnain, Auliya Rahman, Rahman Isnain, Auliya, Yanti Rahmadhani, Ari, Styawati, Styawati, Hendrastuty, Nirwana, & Isnain, Auliya Rahman. (2021). Analisis Sentimen Masyarakat Terhadap Program Kartu Prakerja Pada Twitter Dengan Metode Support Vector Machine. Jurnal Informatika: Jurnal Pengembangan IT, 6(3), 150–155. Retrieved from http://situs.com
  6. Indriya Dewi Onantya, Indriati, Putra Pandu Adikara. (2019). Analisis Sentimen Pada Ulasan Aplikasi BCA Mobile Menggunakan BM25 Dan Improved K-Nearest Neighbor. J-Ptiik.Ub.Ac.Id, 3(3), 2575–2580. Retrieved from http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/4754
  7. Pambudi, Andi Setyo, & Hidayati, Sri. (2020). Analisis Perilaku Sosial Pengguna Moda Transportasi Perkotaan: Studi Kasus Mass Rapid Transit (MRT) DKI Jakarta. Bappenas Working Papers, 3(2), 143–156. https://doi.org/10.47266/bwp.v3i2.74
  8. Putriani, Nelsih, Umbara, Fajri Rakhmat, & Sabrina, Puspita Nurul. (2022). Analisis Sentimen pada Aplikasi PeduliLindungi dengan Menggunakan Metode Improved K-Nearest Neighbor dan Lexicon Based. 8(1), 350–364.
  9. Septian, Jeremy Andre, Fachrudin, Tresna Maulana, & Nugroho, Aryo. (2019). Analisis Sentimen Pengguna Twitter Terhadap Polemik Persepakbolaan Indonesia Menggunakan Pembobotan TF-IDF dan K-Nearest Neighbor. Journal of Intelligent System and Computation, 1(1), 43–49. https://doi.org/10.52985/insyst.v1i1.36
  10. Syakur, Abdus. (2021). Implementasi Metode Lexicon Base Untuk Analisis Sentimen Kebijakan Pemerintah Dalam Pencegahan Penyebaran Virus Corona Covid-19 Pada Twitter. Jurnal Ilmiah Informatika Komputer, 26(3), 247–260. https://doi.org/10.35760/ik.2021.v26i3.4720

How to Cite

Firdaus, F. A., Chrisnanto, Y. H., & Sabrina, P. N. (2023). Perbandingan Improved K-Nearest Neighbour Dengan K-Nearest Neighbour Pada Analisis Sentimen Moda Raya Terpadu Jakarta. IJESPG (International Journal of Engineering, Economic, Social Politic and Government), 1(3), 200–212. Retrieved from http://ijespgjournal.org/index.php/ijespg/article/view/53