PERBANDINGAN PENGARUH WORD NORMALIZATION PADA METODE NAÏVE BAYES CLASSIFIER DAN K-NEAREST NEIGHBOR UNTUK ANALISIS SENTIMEN KOMENTAR MASYARAKAT TERHADAP BPJS KESEHATAN

Harfiani, Atania (2023) PERBANDINGAN PENGARUH WORD NORMALIZATION PADA METODE NAÏVE BAYES CLASSIFIER DAN K-NEAREST NEIGHBOR UNTUK ANALISIS SENTIMEN KOMENTAR MASYARAKAT TERHADAP BPJS KESEHATAN. Other thesis, UPN "Veteran" Yogyajarta.

	Text ABSTRAK.pdf Download (186kB)
	Text COVER.pdf Download (238kB)
	Text DAFTAR ISI.pdf Download (545kB)
	Text DAFTAR PUSTAKA.pdf Download (315kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (198kB)
	Text PENGESAHAN PENGUJI.pdf Download (183kB)
	Text SKRIPSI FULL_ATANIA HARFIANI.pdf Restricted to Repository staff only Download (2MB)

Abstract

vi
ABSTRAK
Tahapan preprocessing merupakan langkah yang sangat penting dalam analisis
sentimen, yaitu berfungsi untuk mengubah data yang tidak terstruktur menjadi data yang
terstruktur agar data siap diolah. Di dalam preprocessing terdapat beberapa langkah penting,
salah satunya adalah word normalization yaitu proses mengubah kata tidak baku atau non
standar menjadi kata baku sesuai dengan Kamus Besar Bahasa Indonesia. Pada umumnya
analisis sentimen tidak melalui tahapan word normalization sehingga terjadi ambiguitas dan
sistem tidak dapat mengklasifikasikan kelasnya dengan baik sehingga dapat mempengaruhi
akurasi. Data yang telah melewati tahapan preprocessing selanjutnya akan diklasifikasikan
menggunakan metode machine learning.
Terdapat beragam metode machine learning yang dapat digunakan untuk klasifikasi
pada analisis sentimen, contohnya adalah metode Naïve Bayes Classifier dan metode K-
Nearest Neighbor. Kedua metode tersebut dibandingkan karena merupakan metode yang
sederhana, mudah diimplementasikan dan menghasilkan akurasi yang relatif tinggi.
Penelitian ini bertujuan untuk mencari perbandingan pengaruh word normalization pada
metode Naïve Bayes Classifier dan metode K-Nearest Neighbor.
Data yang digunakan sebanyak 1050 data berbahasa Indonesia yang di dapatkan dari
media sosial Twitter dan Instagram pada tahun 2021 hingga 2022, dengan kata kunci dan
postingan tentang BPJS Kesehatan, yang kemudian dibagi menjadi 840 data latih dan 210
data uji. Hasil pengujian menunjukkan bahwa dengan melakukan tahapan word
normalization pada metode Naïve Bayes Classifier dan K-Nearest Neighbor menghasilkan
akurasi yang lebih tinggi dibandingkan tanpa melakukan tahapan word normalization. Dan
metode Naïve Bayes Classifier baik dengan skenario I maupun skenario II memiliki akurasi
yang lebih unggul dibandingan metode K-Nearest Neighbor baik skenario I maupun skenario
II. Pada pengujian model dengan data sejumlah 1050, akurasi yang didapatkan oleh metode
Naïve Bayes Classifier dengan skenario I yaitu sebesar 87,14%. Sementara akurasi yang
didapatkan oleh metode Naïve Bayes Classifier dengan skenario II yaitu sebesar 86,67%.
Sedangkan untuk akurasi yang didapatkan Dari metode K-Nearest Neighbor skenario I
sebesar 80,48% dan skenario II dihasilkan akurasi sebesar 77,14%.
Kata kunci: analisis sentimen, ujaran bpjs kesehatan, Twitter, Instagram, word
normalization, Naïve Bayes Classifier, K-Nearest Neighbor
vii
ABSTRACT
The preprocessing stage is a very important step in sentiment analysis, which
functions to convert unstructured data into structured data so that the data is ready to be
processed. In preprocessing there are several important steps, one of which is word
normalization, which is the process of converting non-standard or non-standard words into
standard words according to the Big Indonesian Dictionary. In general, sentiment analysis
does not go through the word normalization stage so that ambiguity occurs and the system
cannot classify the class properly so that it can affect accuracy. Data that has passed the
preprocessing stage will then be classified using machine learning methods..
There are various machine learning methods that can be used for classification in
sentiment analysis, such as the Naïve Bayes Classifier and the K-Nearest Neighbor method.
Both methods are compared because they are simple, easy to implement and produce
relatively high accuracy. This research aims to find a comparison of the effect of word
normalization on the Naïve Bayes Classifier method and the K-Nearest Neighbor method.
The data used is 1050 Indonesian-language data obtained from Twitter and
Instagram social media from 2021 to 2022, with keywords and posts about BPJS Kesehatan,
which are then divided into 840 training data and 210 test data. The test results show that
by performing the word normalization stage in the Naïve Bayes Classifier and K-Nearest
Neighbor methods produces higher accuracy than without performing the word
normalization stage. And the Naïve Bayes Classifier method both with scenario I and
scenario II has superior accuracy compared to the K-Nearest Neighbor method both
scenario I and scenario II. In model testing with 1050 data, the accuracy obtained by the
Naïve Bayes Classifier method with scenario I is 87.14%. While the accuracy obtained by
the Naïve Bayes Classifier method with scenario II is 86.67%. Meanwhile, the accuracy
obtained from the K-Nearest Neighbor method in scenario I was 80.48% and scenario II
resulted in an accuracy of 77.14%.
Keywords: sentiment analysis, bpjs kesehatan, Twitter, Instagram, word normalization,
Naïve Bayes Classifier, K-Nearest Neighbor

Item Type:	Thesis (Other)
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	11 Oct 2023 07:45
Last Modified:	11 Oct 2023 07:45
URI:	http://eprints.upnyk.ac.id/id/eprint/37943

Actions (login required)

View Item