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 )

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.