YUNITRA, ALFA (2024) KLASIFIKASI TEKS PADA TWITTER MENGGUNAKAN METODE K-NEAREST NEIGHBOR DAN SELEKSI FITUR INFORMATION GAIN (Studi Kasus: Tanggapan Opini Masyarakat Terhadap Ketua DPR Ibu Puan Maharani di Twitter ). Undergraduate thesis, Universitas Muhammadiyah Jember.
![]() |
Text
1. PENDAHULUAN.pdf Download (1MB) |
![]() |
Text
2.ABSTRAK.pdf Download (151kB) |
![]() |
Text
3. BAB 1.pdf Download (280kB) |
![]() |
Text
4. BAB 2.pdf Restricted to Repository staff only Download (431kB) | Request a copy |
![]() |
Text
5. BAB 3.pdf Restricted to Repository staff only Download (394kB) | Request a copy |
![]() |
Text
6. BAB 4.pdf Restricted to Repository staff only Download (1MB) | Request a copy |
![]() |
Text
7. BAB 5.pdf Restricted to Repository staff only Download (144kB) | Request a copy |
![]() |
Text
8. DAFTAR PUSTAKA.pdf Download (149kB) |
![]() |
Text
9. LAMPIRAN.pdf Restricted to Repository staff only Download (139kB) | Request a copy |
![]() |
Text
10. BIODATA.pdf Download (166kB) |
Abstract
Indonesia adalah salah satu negara dengan pemakai internet yang paling cepat berkembang dengan sekitar 196 juta penduduk atau 73,3% dari populasi terjangkau internet. Perkembangan teknologi pada tahun 2017 mencapai 3,4 miliar atau 45% dari total populasi didunia, dan pada tahun 2022 perkembangan teknologi juga diproyeksikan akan menyentuh 4,8 miliar atau sekitar 60% dari populasi di dunia. Oleh karena itu dalam penelitian ini akan menentukan perhitungan presisi dan akurasi tingkat terbaik untuk melakukan sebuah klasifikasi komentar pengguna di twitter ke dalam kelas sentimen positif juga, sentiment negatif. Metode yang digunakan yaitu K-Nearest Neighbord dan seleksi fitur Information Gain .Tujuannya untuk menganalisis tingkat perbandingan akurasi dan performa presisi Information Gain dan K-Nearest Neighbor dalam mengelompokkan komentar pengguna twitter ke dalam kelas sentimen positif dan sentiment negatif. Setelah melakukan proses perhitungan dengan metode K-Nearest Neighbor dan seleksi fitur Information Gain dengan uji coba beberapa fold antara lain 3,5, dan 9 dimana nilai k pada knn 3,5,9. Dan telah didapatkan hasil akurasi terbaik tanpa fitur 61.6% pada fold 5 dengan nilai k=3. Sedangkan hasil akurasi terbaik dengan menggunakan fitur selection sebesar 71.3% pada fold 9 dengan nilai k=9.
Item Type: | Thesis (Undergraduate) | |||||||||
---|---|---|---|---|---|---|---|---|---|---|
Uncontrolled Keywords: | Klasifikasi, K-nearest neigbhord, Information Gain. | |||||||||
Subjects: | 000 Computer Science, Information, & General Works 000 Computer Science, Information, & General Works > 004 Data Processing, Computer Science |
|||||||||
Divisions: | Faculty of Engineering > Department of Informatics Engineering (S1) | |||||||||
Department: | S1 Teknik Informatika | |||||||||
Depositing User: | Alfa Yunitra | |||||||||
Contributors: |
|
|||||||||
Contact Email Address: | Alfayunitra12@gmail.com | |||||||||
Date Deposited: | 30 Jul 2024 01:12 | |||||||||
Last Modified: | 30 Jul 2024 01:12 | |||||||||
URI: | http://repository.unmuhjember.ac.id/id/eprint/22698 |
Actions (login required)
![]() |
View Item |