Perbandingan Metode KNN, Decision Tree, dan Naïve Bayes Terhadap Analisis Sentimen Pengguna Layanan BPJS

Abstract

BPJS is really helpful because one of its goal is to provide good service for the member in terms of healthiness. But, when there’s many people using the service, then it will cause more pros and contras. Therefore, researcher will be doing sentiment analysis in the field of data mining towards bpjs users on social media Twitter as much as 1000 data that later will be filtered to be 903 data because there are some data that has been duplicated. Researchers used the KNN, Decision Tree, and Naïve Bayes methods to compare the accuracy of the three methods. Researchers used the RapidMiner version 9.7.2 tools. The results showed that the sentiment analysis of Twitter data on BPJS services using the KNN method reached an accuracy level of 95.58% with class precision for pred. negative is 45.00%, pred. positive is 0.00%, and pred. neutral is 96.83%. Then the Decision Tree method the accuracy rate reaches 96.13% with the precision class for pred. negative is 55.00%, pred. positive is 0.00%, and pred. neutral is 97.28%. And the last one is the Naïve Bayes method which achieves 89.14% accuracy with precision class for pred. negative is 16.67%, pred. positive was 1.64%, and pred. neutral is 98.40%.

Penerapan Na ̈ıve Bayes Classifier, K-Nearest Neighbor (KNN) dan Decision Tree untuk Menganalisis Sentimen pada Interaksi Netizen danPemeritah

“…Penelitian dilakukan dengan perbandingan beberapa metode dan hasilnya decision tree yang memiliki akurasi tertinggi yaitu 83,3% [19]. Peneliti lain juga melakukan perbandingan juga dengan beberapa metode seperti decision tree, naïve bayes dan KNN, dan akurasi tertinggi dari penelitian ini adalah decision tree dengan akurasi 96,83% [20], dan selanjutnya penelitian lain juga membandingan tiga metode, hasilnya juga decision tree memiliki akurasi sempurna yakni 100% [21]. Selain naïve bayes dan decision tree, metode yang sering digunakan lainnya adalah K-Nearest Neighbor (KNN).…”

“…Data yang diperoleh untuk diolah pada penelitian ini tidak cukup banyak yaitu 115 tweet yang di crawling dari twitter. Data yang didapat sedikit jika dibandingkan Ì 141 dengan penelitian lain seperti [20,28,29] yang memiliki data diatas 900 data tweet. Penelitian-penelitian tersebut memiliki akurasi yang cukup tinggi yakni diatas 90%.…”

“…Pada proses yang dilakukan akan membandingkan dengan penelitian-penelitian yang memiliki data lebih dari 900 tweet dan memiliki akurasi diatas 90%. Proses yang dilakukan hampir sama tahapannya, tetapi data yang digunakan lebih sedikit dengan peneliti sebelumnya seperti [20,28,29]. Berikut ini adalah tahapan penelitian yang dilakukan:…”

Klasifikasi Kategori Permasalahan Akademik Mahasiswa Comdev Universitas Tanjungpura Menggunakan Algoritma Naive Bayes

“…Menurut [1], Naive Bayes memiliki tingkat akurasi yang lebih baik dalam kasus klasifikasi. Kelebihan algoritma Naive Bayes adalah kecepatan proses dan akurasi yang cukup baik untuk digunakan pada tipe data dengan volume yang besar, beragam, dan tidak terstrutkur seperti teks [2].…”

Implementasi Orange Data Mining Untuk Klasifikasi Kelulusan Mahasiswa Dengan Model K-Nearest Neighbor, Decision Tree Serta Naive Bayes

“…Confusion Matrix merupakan tabel dengan 4 campuran berbeda dari nilai prediksi serta nilai aktual. Berdasarkan Tabel.2 dapat dijelaskan bahwa terdapat 4 sebutan representasi hasil proses klasifikasi pada confusion matrix ialah True Positif (TP), True Negatif (TN), False Positif (FP), serta False Negatif (FN)[13],[19]. Confusion matrix pula kerap disebut error matrix.…”