PENERAPAN METODE KLASIFIKASI K-NEAREST NEIGHBOR DAN LEXICON BASED UNTUK ANALISIS SENTIMEN PUBLIK TERHADAP PEMINDAHAN IBU KOTA NEGARA DENGAN EKSTRAKSI FITUR TF-IDF

Maulana, Rifqi (2025) PENERAPAN METODE KLASIFIKASI K-NEAREST NEIGHBOR DAN LEXICON BASED UNTUK ANALISIS SENTIMEN PUBLIK TERHADAP PEMINDAHAN IBU KOTA NEGARA DENGAN EKSTRAKSI FITUR TF-IDF. Other thesis, UPN Veteran Yogyakarta.

	Text COVER.pdf Download (219kB)
	Text ABSTRAK.pdf Download (246kB)
	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (147kB)
	Text HALAMAN PENGESAHAN PENGUJI.pdf Download (168kB)
	Text DAFTAR ISI.pdf Download (298kB)
	Text DAFTAR PUSTAKA.pdf Download (205kB)
	Text RIFQI MAULANA FULL.pdf Restricted to Repository staff only Download (3MB)

Abstract

Pemindahan ibu kota negara Indonesia ke Kalimantan Timur merupakan salah satu
proyek strategis nasional yang tertuang dalam Rencana Pembangunan Jangka Menengah
Nasional Tahun Anggaran 2020-2024. Kebijakan ini tidak hanya memicu perdebatan di
kalangan pengambil kebijakan, tetapi juga menuai berbagai tanggapan dari masyarakat yang
disuarakan melalui media sosial, khususnya X (Twitter). Platform ini sering menjadi sarana
utama untuk menyampaikan opini publik terkait isu-isu terkini. Analisis sentimen terhadap
topik ini menjadi langkah penting untuk memahami persepsi dan respons masyarakat yang
mencakup opini positif, netral, maupun negatif, sekaligus memberikan wawasan terkait
dinamika sosial terhadap kebijakan besar.
Penelitian ini bertujuan untuk mengevaluasi performa metode Lexicon Based untuk
pelabelan sentimen dan algoritma K-Nearest Neighbor (KNN) sebagai metode klasifikasi.
Data dikumpulkan melalui teknik web scraping pada platform X (Twitter) dan diproses
melalui beberapa tahapan, meliputi preprocessing, pelabelan sentimen berbasis lexicon,
ekstraksi fitur menggunakan TF-IDF, serta penyeimbangan kelas dengan SMOTE untuk
mengatasi data tidak seimbang. Parameter optimal seperti nilai k = 1, bobot jarak (distance),
dan metrik kosinus diterapkan untuk meningkatkan performa model klasifikasi.
Hasil penelitian menunjukkan bahwa kombinasi metode Lexicon Based, SMOTE, TF
IDF dan KNN mampu menghasilkan model analisis sentimen dengan akurasi 90.18%,
precision 90.59%, dan recall 90.18%. Hasil ini menegaskan bahwa metode yang diterapkan
efektif untuk memahami sentimen publik terhadap pemindahan ibu kota negara. Penelitian
ini tidak hanya memberikan kontribusi dalam memahami reaksi masyarakat Indonesia
terhadap kebijakan besar, tetapi juga menawarkan pendekatan analisis sentimen yang dapat
menjadi referensi bagi penelitian di masa mendatang.
Kata Kunci: IKN, Analisis Sentimen, Lexicon Based, K-Nearest Neighbor, SMOTE, TF-IDF

Item Type:	Thesis (Other)
Uncontrolled Keywords:	IKN, Analisis Sentimen, Lexicon Based, K-Nearest Neighbor, SMOTE, TF-IDF
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Eko Suprapti
Date Deposited:	31 Jan 2025 02:11
Last Modified:	31 Jan 2025 02:11
URI:	http://eprints.upnyk.ac.id/id/eprint/42130

Actions (login required)

View Item