Pengembangan Sistem Analisis Sentimen Berbasis Java Pada Data Twitter Terhadap Omnibus Law Menggunakan Algoritma Naïve Bayes dan K-Nearst Neighbor (K-NN)

  • Elok Nur Hamdana Politeknik Negeri Malang
  • Muhammad Balya Iqbal Alfahmi Politeknik Negeri Malang
Keywords: naive bayes, k-nearst neighbor, omnibus law

Abstract

Undang-undang Cipta Kerja Omnibus law telah di sah kan, pengesahan tersebut mendapat penolakan dari berbagai elemen masyarakat. Hal itu disebabkan Omnibus Law UU Cipta Kerja, dinilai akan membawa dampak buruk bagi tenaga kerja atau buruh. Oleh karena itu peneliti melakukan analisis sentimen dalam bidang data mining terhadap UU Cipta Kerja Omnibus law pada media sosial Twitter. Penulis menggunakan metode Naïve Bayes dan KNN sebagai algoritma yang diterapkan dalam system berbasis java untuk memperbandingkan tingkat akurasi dari kedua metode tersebut. Peneliti menggunakan metode web scrapping untuk proses penggambilan data dari twitter secara real time. Hasil penelitian menunjukan bahwa analisis sentimen terhadap data Twitter terhadap UU Cipta Kerja Ombibus law dengan menggunakan metode Naïve Bayes mencapai tingkat akurasi 75% dengan class precision untuk pred. positive adalah 57%, pred negative adalah 72%, dan pred. neutral adalah 54%. Lalu pada metode KNN tingkat akurasi mencapai 88%. Dimana class precision untuk pred. positive adalah 94%, pred negative adalah 61%, dan pred. neutral adalah 58%.

Downloads

Download data is not yet available.

References

Cahyanti, D., Rahmayani, A., & Ainy, S. (2020). "Analisis Performa Metode KNN Pada Dataset Pasien Pengidap Kanker Payudara". 1(2), 39–43.
Deviyanto Akhmad, Wahyudi M Didik R, “Penerapan Analisis Sentimen pada Pengguna Twitter Menggunakan Metode K-Nearest Neighbor”, Jiska (Jurnal Informatika Sunan Kalijaga), Vol 3, No. 1, Mei 2018, pp 1-13
Fitriyyah, S. N. J., Safriadi, N., & Pratama, E. E. (2019). "Analisis Sentimen Calon Presiden Indonesia 2019 dari Media Sosial Twitter Menggunakan Metode Naive Bayes". Jurnal Edukasi Dan Penelitian Informatika (JEPIN), 5(3),279.
Irfan M Rizzo, Fauzi M Ali, Tibyani, 2018,”Analisis Sentimen Kurikulum 2013 pada Twitter menggunakan Ensemble Feature dan Metode K-Nearest Neighbor”, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, Vol 2, No.9, Semptember 2018, pp 30006-3014.
Nurdin, A. D. (2017). "Penerapan Data Mining Untuk Menganalisis Penjualan Barang Dengan Menggunakan Metode Apriori Pada Supermarket Sejahtera Lhokseumawe". Astika, D., Studi, P., Informatika, T., & Malikussaleh, U., Vol. 6 No.
Puspita Rani, Widodo Agus, 2020, “Perbandingan Metode KNN, Decision Tree, dan Naïve Bayes Terhadap Analisis Sentimen Pengguna Layanan BPJS”, Jurnal Informatika Universitas Pamulung, Vol.5, No. 4 Desember 2020, pp 646-654
Rizal Jawahir G, 2020, “Ap aitu Omnibus Law Cipta Kerja, isi dan dampaknya bagi Buruh?”, Compas.com, 06/10/2020, 10.45 wib, https://www.kompas.com/tren/read/2020/10/06/104500965/apa-itu-omnibus-law-cipta-kerja-isi-dan-dampaknya-bagi-buruh page=all#:~:text=KOMPAS.com%20%2D%20Dewan%20Perwakilan%20Rakyat,Kompleks%20Parlemen%2C%20Senayan%2C%20Jakarta.
Rozi Imam F, Hamdana Elok H, Alfahmi M B I, “Pengembangan Aplikasi Analisis Sentimen Twitter Menggunakan Metode Naïve Bayes Classifier (Studi Kasusu Samsat Kota Malang)”, Jurnal Informatika Polinema, Jilid 4 Edisi 2, pp 149-149
Sinaga, L. M., Sawaluddin, & Suwilo, S. (2020). "Analysis of classification and Naïve Bayes algorithm k-nearest neighbor in data mining". IOP Conference Series: Materials Science and Engineering,725(1).
Triawati, C. (2009)." Text Mining. Bandung", Jawa Barat, Indonesia
Utami, I. (2020). "Analisis Sistem Informasi Banjir Berbasis Media Twitter". 9(1), 67–72.
Zhang, W., Chen, X., Liu, Y., & Xi, Q. (2020). "A Distributed Storage and Computation k-Nearest Neighbor Algorithm Based Cloud-Edge Computing for Cyber Physical-Social Systems". IEEE Access, 8, 50118–50130.
How to Cite
Hamdana, E. N., & Balya Iqbal Alfahmi, M. (2021). Pengembangan Sistem Analisis Sentimen Berbasis Java Pada Data Twitter Terhadap Omnibus Law Menggunakan Algoritma Naïve Bayes dan K-Nearst Neighbor (K-NN) . Jurnal Informatika Polinema, 7(2), 79-84. https://doi.org/10.33795/jip.v7i2.688