Komparasi Metode Naive Bayes dan K-Nearest Neighbors Terhadap Analisis Sentimen Pengguna Aplikasi Zenius
DOI:
https://doi.org/10.33998/processor.2024.19.1.1596Kata Kunci:
Naïve Bayes, K-Nearest Neighbors, Sentiment Analysis, Zenius, Performance EvaluationAbstrak
Tujuan dari penelitian ini adalah untuk membandingkan kinerja metode Naive Bayes dan K-Nearest Neighbor (KNN) dalam menganalisis sentimen pengguna pada aplikasi Zenius. Evaluasi dilakukan dengan memeriksa skor presisi, presisi, recall, dan F1-Score kedua metode serta memvisualisasikan hasil analisis sentimen dengan salah satu metode yang digunakan. Keuntungan dari penelitian ini adalah pemahaman yang lebih mendalam tentang cara kerja teknik Naive Bayes dan KNN dalam analisis sentimen dalam konteks aplikasi Zenius. Lebih lanjut, penelitian ini bertujuan untuk mengevaluasi hasil kinerja dua teknik, Naive Bayes dan KNN, dalam analisis sentimen. Dari hasil pengujian skenario split data menggunakan Split Validation dengan data training dan testing data 90:10. Akurasi Naive Bayes mencapai 88,41%, sedangkan KNN mencapai 100%. Pada penelitian ini, KNN mengungguli Naive Bayes dalam hal nilai presisi, recall, dan F1-Score. Hasil visualisasi data menunjukkan arah sentimen yang dihasilkan cenderung positif. Studi ini tidak hanya memberikan pemahaman lebih dalam tentang kinerja teknik Naive Bayes dan KNN dalam analisis sentimen untuk aplikasi Zenius, namun juga memberikan evaluasi komprehensif terhadap kinerjanya. Penelitian ini diharapkan dapat menjadi panduan untuk mengembangkan metode analisis sentimen yang lebih efektif untuk aplikasi serupa di masa depan.
Unduhan
Referensi
H. Wahyono, “Pemanfaatan teknologi informasi dalam penilaian hasil belajar pada generasi milenial di era revolusi industri 4 . 0,” Proceeding Biol. Educ., vol. 3, no. 1, pp. 192–201, 2019.
D. Surani, “STUDI LITERATUR : PERAN TEKNOLOGi PENDIDIKAN,” vol. 2, no. 1, pp. 456–469, 2019.
N. L. U. Chusna, “Pembelajaran E-Learning,” Pros. Semin. Nas. Pendidik. KALUNI, vol. 2, pp. 113–117, 2019, doi: 10.30998/prokaluni.v2i0.36.
W. Hartanto, “Penggunaan E-Learning sebagai Media Pembelajaran,” J. Pendidik. Ekon., vol. 10, no. 1, pp. 1–18, 2016.
F. Zamachsari, G. V. Saragih, Susafa’ati, and W. Gata, “Analisis Sentimen Pemindahan Ibu Kota Negara dengan Feature Selection Algoritma Naive Bayes dan Support Vector Machine,” J. Rekayasa Sist. dan Teknol. Inf., vol. 4, no. 3, pp. 504–512, 2020.
D. Sartika and D. I. Sensuse, “Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest Neighbour, dan Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian,” Jatisi, vol. 1, no. 2, pp. 151–161, 2017.
S. Widianingsih, “PERBANDINGAN METODE DATA MINING UNTUK PREDIKSI NILAI DAN WAKTU KELULUSAN MAHASISWA PRODI TEKNIK INFORMATIKA DENGAN ALGORITMA C4.5, NAIVE BAYES, KNN, DAN SVM,” vol. 13, no. 1, pp. 16–25, 2019.
A. D. A. Putra and S. Juanita, “Analisis Sentimen pada Ulasan pengguna Aplikasi Bibit Dan Bareksa dengan Algoritma KNN,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 8, no. 2, pp. 636–646, 2021, doi: 10.35957/jatisi.v8i2.962.
B. Gunawan, H. S. Pratiwi, and E. E. Pratama, “Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes,” J. Edukasi dan Penelit. Inform., vol. 4, no. 2, p. 113, 2018, doi: 10.26418/jp.v4i2.27526.
L. D. Utami, “Komparasi Algoritma Klasifikasi Text Mining Pada Review Restoran,” vol. 14, no. 2, pp. 169–174,2020.
A. Josi et al., “PENERAPAN TEKNIK WEB SCRAPING PADA MESIN PENCARI ARTIKEL ILMIAH”.
F. S. Jumeilah, “Penerapan Support Vector Machine (SVM) Untuk Pengkategorian Penelitian,” vol. 1, no. 1, pp. 19–25, 2017.
M. Z. Naf’an, A. Burhanuddin, and A. Riyani, “Penerapan Cosine Similarity dan Pembobotan TF-IDF untuk Mendeteksi Kemiripan Dokumen,” J. Linguist. Komputasional, vol. 2, no. 1, pp. 23–27, 2019.
W. Yulita, E. D. Nugroho, and M. H. Algifari, “Analisis Sentimen Terhadap Opini Masyarakat Tentang Vaksin Covid - 19 Menggunakan Algoritma Naïve Bayes Classifier,” vol. 2, no. 2, pp. 1–9, 2021.
R. Sari, “ANALISIS SENTIMEN PADA REVIEW OBJEK WISATA DUNIA FANTASI MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS (K-NN),” EVOLUSI J. Sains dan Manaj., 2020, doi: 10.31294/evolusi.v8i1.7371.
D. Musfiroh, U. Khaira, P. E. P. Utomo, and T. Suratno, “Analisis Sentimen terhadap Perkuliahan Daring di Indonesia dari Twitter Dataset Menggunakan InSet Lexicon,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 1, no. 1, pp. 24–33, 2021, doi: 10.57152/malcom.v1i1.20.
P. Claudia, S. Gulo, P. Studi, S. Informasi, J. Teknik, and E. Dan, “ANALISIS SENTIMEN KULIAH ONLINE SELAMA PANDEMI COVID-19 MENGGUNAKAN,” 2021.
Unduhan
Diterbitkan
Abstract views:
PDF Download:
DOI:
10.33998/processor.2024.19.1.1596Dimension Badge:
Cara Mengutip
Terbitan
Bagian
