Perbandingan Akurasi dan Waktu Proses Algoritma K-NN dan SVM dalam Analisis Sentimen Twitter

Nasution, Muhammad Rangga Aziz; Hayaty, Mardhiya

doi:10.31311/ji.v6i2.5129

Cited by 53 publications

(58 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Restoran [60]- [64]; registrasi ulang kartu SIM [65]; rating [66]; popularitas ecommerce [67]; performa klub sepak bola [68]; perbandingan akurasi dan waktu proses algoritma [69]; penggunaan antibiotik di Indonesia [70]; pengguna twitter [22], [71]- [74]; pengguna marketplace [75]- [77]. Berdasarkan klasifikasi studi kasus, kajian mengenai review mobil, hotel, film, aplikasi m-banking, restoran, twitter dan marketplace merupakan studi kasus yang ramai digunakan para peneliti terdahulu.…”

Section: Gambar 2 Hasil Klasifikasi Studi Kasus Kajian Analisis Sentimen Sumber : Hasil Penyandian Axial Menggunakan Nvivo 12 Plusunclassified

Pemilihan Metode dan Algoritma dalam Analisis Sentimen di Media Sosial : Sistematic Literature Review

Singgalen

2021

Journal-ISI

View full text Add to dashboard Cite

This article use Systematic Literature Review (SLR) to classify sentiment analysis based on case studies, methods, social media, and platforms. The coding stage is divided into three stages, namely the open, selective and axial coding. The literature study on sentiment analysis is divided into two parts: identifying gaps based on case studies and data sources and identifying gaps based on the methods or algorithms used. The gap identification results based on case studies and data sources show that popular review topics are synonymous with entertainment, economic and political content. Therefore, the quantity of research with review topics related to the implementation of education, the dynamics of the bureaucracy, health facilities and services, and non-governmental organization’s activities need to be increased. Meanwhile, the most dominant platforms used as data sources are website and mobile-based applications. The results of the gap identification based on the method and algorithm show that the quantity of research with the Naive Bayes Classifier (NBC) and Support Vector Machine (SVM) method or algorithm is more dominant than the k-Nearest Neighbor (k-NN) and Lexicon-based. Thus, it is necessary to increase the number of other classification methods such as Particle Swarm Optimization, BM25, Decision Tree, K-Means, and Neural Networks.

show abstract

Section: Gambar 2 Hasil Klasifikasi Studi Kasus Kajian Analisis Sentimen Sumber : Hasil Penyandian Axial Menggunakan Nvivo 12 Plusunclassified

Pemilihan Metode dan Algoritma dalam Analisis Sentimen di Media Sosial : Sistematic Literature Review

Singgalen

2021

Journal-ISI

View full text Add to dashboard Cite

show abstract

“…Algoritma Support Vector Machine (SVM) merupakan metode yang paling populer digunakan untuk klasifikasi berita hoax menurut survey yang dilakukan pada 2016-2018 [16]. Penelitian tersebut menggunakan fungsi kernel SVM [18] [19] mendapatan hasil SVM lebih unggul dengan akurasi sebbesar 82%, presisi 84% dan recall 82%. Sedangkan MNB memperoleh akurasi sebesar 62%, presisi 68% dan recall 62%.…”

Section: Pendahuluanunclassified

Penerapan Algoritma Support Vector Machine (SVM) untuk Klasifikasi Berita Hoax Covid-19

Ropikoh¹,

Abdulhakim²,

Enri³

et al. 2021

JAIC

View full text Add to dashboard Cite

Hoax merupakan informasi yang dibuat oleh orang tidak bertanggung jawab dengan tujuan membuat orang lain mempercayai sesuatu yang tidak benar. Berita hoax yang paling mudah beredar adalah hoax tentang kesehatan. Di Indonesia sendiri semenjak diberitakan masuknya virus Covid-19, berita hoax tentang hal itu terus meningkat berdasarkan data yang dirilis oleh Kominfo periode Januari-Agustus 2020. Agar terhindar dari berita hoax ialah dengan lebih teliti membaca judul berita pada situs yang terpercaya seperti Kompas. Karena itu penelitian ini akan mengembangkan dan menganalisis model klasifikasi berita hoax Covid-19 dengan menerapkan algoritma Support Vector Machine (SVM) dengan metodologi Knowledge Discovery in Databases (KDD). Studi kasus penelitian ini dibagi dalam 2 kategori yaitu berita hoax yang didapat dari situs Trunbackhoax & Hoax buster sedangkan berita bukan hoax diambil dari situs berita Kompas. Hasil penelitian menyatakan bahwa Algoritma Support Vector Machine (SVM) dengan kernel linear memiliki hasil prediksi yang bagus pada skenario 3 (80:20) karena model sanggup dalam mengklasifikasikan berita hoax dan bukan hoax Covid-19. Akurasi yang didapat pada skenario 3 juga memiliki nilai akurasi tertinggi sebesar 97,06%. Sedangkan pada kernel RBF memiliki akurasi terendah pada skenario 4 (90:10) yaitu 90.46% dan model kurang bagus dalam mengklasifikasikan berita hoax maupun bukan hoax Covid-19.

show abstract

“…Dari ban-yak metode text mining dipilih metode Support Vector Machine karena memiliki nilai akurasi yang cukup tinggi dibanding metode yang lain, seperti pada penelitian Rosiyadi (2019) yang membandingkan Kinerja Algoritma K-Nearest Neighbor, Naïve Bayes Classifier dan Support Vector Machine [4], dengan nilai akurasi tertinggi didapatkan dari metode Support Vector Machine sebesar 81,58% sedangkan untuk metode K-Nearest Neighbor, Naïve Bayes Classifier mendapatkan akurasi sebesar 81,32%, dan Naïve Bayes Classifier sebesar 78,95%. Lalu pada penelitian selanjutnya yaitu tentang Klasifikasi SMS Spam Menggunakan Support Vector Machine oleh Setiyono dan Pardede (2019) [5], mendapatkan hasil akurasi 98.33% dengan menggunakan metode SVM, dan selanjutnya penelitian tentang Perbandingan Akurasi dan Waktu Proses Algoritma K-NN dan SVM dalam Analisis Sentimen Twitter oleh Rangga, Nasution, dan Hayaty (2019) [6], yang mendapatkan nilai akurasi tertinggi oleh SVM sebesar 89,70%. Dari ketiga penelitian di atas dapat disimpulkan bahwa metode SVM memiliki nilai akurasi yang paling tinggi.…”

Section: Pendahuluanunclassified

Analisis Sentimen Opini Pemindahan Ibu Kota Pada Twitter Dengan Metode Support Vector Machine

Hidayat¹,

Garno²,

Ridha³

2021

jik

View full text Add to dashboard Cite

Relokasi ibu kota Indonesia kini telah diresmikan oleh Presiden Joko Widodo pada 26 Agustus 2019 ke Kalimantan, ini adalah sejarah baru dalam sejarah Indonesia karena belum pernah terjadi sebelumnya, sehingga memunculkan banyak pendapat atau tanggapan dari masyarakat. Analisis sentimen adalah kegiatan yang digunakan untuk menganalisis pendapat atau opini seseorang tentang suatu topik. Twitter adalah media sosial yang digunakan untuk mengekspresikan pendapat pengguna dan menyatukannya pada suatu topik. Support Vector Machine adalah metode text mining yang mencakup metode klasifikasi dan Term Frequency - Inverse Document Frequency adalah metode pembobotan karakter. SVM dan TF-IDF dapat digunakan untuk menganalisis sentimen opini publik tentang topik pemindahan ibukota Indonesia. Tujuan dari penelitian ini adalah untuk mengklasifikasikan opini publik tentang topik memindahkan Ibu Kota Indonesia dari ribuan tweet yang telah dikumpulkan dan disaring. Tweet pada dari 22-29 Maret 2020 telah diproses menjadi 992 tweet dan terdiri dari 221 data dengan label positif dan 771 data negatif. Dan menggunakan metode SVM yang memiliki akurasi 77,72% dan dikombinasikan dengan TFIDF yang meningkatkan akurasinya menjadi 78,33%.

show abstract

Perbandingan Akurasi dan Waktu Proses Algoritma K-NN dan SVM dalam Analisis Sentimen Twitter

Cited by 53 publications

References 13 publications

Pemilihan Metode dan Algoritma dalam Analisis Sentimen di Media Sosial : Sistematic Literature Review

Pemilihan Metode dan Algoritma dalam Analisis Sentimen di Media Sosial : Sistematic Literature Review

Penerapan Algoritma Support Vector Machine (SVM) untuk Klasifikasi Berita Hoax Covid-19

Analisis Sentimen Opini Pemindahan Ibu Kota Pada Twitter Dengan Metode Support Vector Machine

Contact Info

Product

Resources

About