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 )
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.
ContributionNama Dosen PembimbingNIDN/NIDKDosen PembimbingNILOGIRI, AGUNGnidn0030037701Dosen PembimbingARIFIANTO, DENInidn0718068103
Item Type: | Thesis (Undergraduate) |
---|---|
Keywords/Kata Kunci: | 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) |
Depositing User: | Alfa Yunitra | 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 |