MPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR (K-NN) DAN DECISION TREE UNTUK ANALISIS SENTIMEN KOMENTAR PUBLIK DI YOUTUBE KEPADA PEMERINTAH INDONESIA DALAM PENANGANAN KASUS COVID-19

Sinaga, Veronika Hana Selfrida (2022) MPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR (K-NN) DAN DECISION TREE UNTUK ANALISIS SENTIMEN KOMENTAR PUBLIK DI YOUTUBE KEPADA PEMERINTAH INDONESIA DALAM PENANGANAN KASUS COVID-19. Other thesis, UPN 'Veteran" Yogyakarta.

	Text COVER.pdf Download (161kB)
	Text DAFTAR ISI.pdf Download (116kB)
	Text DAFTAR PUSTAKA.pdf Download (152kB)
	Text Lembar Pengesahan Pembimbimg.pdf Download (496kB)
	Text SKRIPSI FULL_Veronika Hana Selfrida Sinaga_123170003.pdf Restricted to Repository staff only Download (4MB)
	Text ABSTRAK.pdf Download (85kB)

Abstract

vi
ABSTRAK
Coronavirus Disease 2019 (COVID-19) merupakan salah satu penyakit menular
yang disebabkan oleh jenis coronavirus baru yaitu Sars-CoV-2 yang kasusnya pertama kali
ditemukan pada akhir Desember 2019 di wilayah Wuhan, Tiongkok. Kasus Covid-19 yang
semakin menyebar ke seluruh dunia menyebabkan kekacauan di tengah masyarakat.
Kekacauan tersebut membuat pemerintah salah satunya Indonesia membuat kebijakan dalam
menangani kasus Covid–19. Akan tetapi, kebijakan pemerintah masih mendapatkan respon
pro dan kontra di kalangan masyarakat. Banyak masyarakat yang ingin mengungkapkan
segala pendapat, saran, dan kritik kepada pemerintah atas kebijakan yang dilakukan
pemerintah Indonesia. Adapun sarana bagi masyarakat untuk menyampaikan komentar
terhadap kebijakan pemerintah Indonesia dapat melalui media sosial. Karena banyaknya
komentar masyarakat di media sosial, maka perlu dilakukan analisis sentimen untuk melihat
respon masyarakat terhadap cara pemerintah Indonesia dalam menangani kasus Covid-19
cenderung bersifat positif, negatif, atau netral menggunakan algoritma K-Nearest Neighbor
dan Decision Tree.
Algoritma K-Nearest Neighbor (K-NN) bertujuan untuk melakukan klasifikasi
terhadap objek berdasarkan jarak terdekat antara data uji dengan keseluruhan data latih.
Perhitungan jarak akan menggunakan persamaan Euclidean Distance dalam menentukan
hasil klasifikasi berdasarkan jarak terdekat. Algoritma Decision Tree bertujuan untuk
membantu proses pengambilan keputusan yang kompleks menjadi lebih sederhana
menggunakan pohon keputusan. Dalam memilih atribut terbaik menggunakan properti
statistik atau biasa disebut dengan Information Gain yang tujuannya untuk mengukur
seberapa bagus atribut tersebut dalam memisahkan sampel menurut klasifikasi targetnya.
Atribut dengan nilai gain tertinggi akan menjadi akar pada pohon keputusan. Untuk
menentukan nilai information gain diperlukan Entropy atau nilai yang menyatakan ukuran
ketidakpastian atribut suatu kumpulan data acak dari sampel. Pada tahapan pengujian akan
menggunakan Confusion Matrix untuk menghitung akurasi, presisi, dan recall untuk
mengukur performa dari kedua algoritma yang digunakan.
Hasil penelitian menunjukkan bahwa algoritma KNN lebih unggul dibandingkan
dengan algoritma Decision Tree. Hasil tersebut didapatkan karena algoritma KNN bekerja
berdasarkan jarak terdekat antara data uji dengan keseluruhan data latih. Sehingga pada saat
dilakukan pengujian, sistem akan dengan mudah mengenali data uji dan proses klasifikasi
dapat dilakukan dengan cepat. Selain itu, semakin banyak jumlah dataset yang digunakan
maka akan semakin tinggi tingkat akurasi algoritma KNN. Hasil pengujian Algoritma KNN
memperoleh akurasi tertinggi pada saat k = 9 dengan akurasi sebesar 81%, presisi 61%, dan
recall 82%. Algoritma Decision Tree memperoleh hasil pengujian sebesar 74%, presisi 61%,
dan recall 62%. Hasil penelitian menunjukkan bahwa respon masyarakat terhadap
pemerintah Indonesia dalam menangani kasus Covid-19 cenderung bersifat negatif.
Kata Kunci : Analisis Sentimen, K-Nearest Neighbor (K-NN), Decision Tree, Pemerintah
Indonesia, Coronavirus Disease 2019 (Covid-19)

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Analisis Sentimen, K-Nearest Neighbor (K-NN), Decision Tree, Pemerintah Indonesia, Coronavirus Disease 2019 (Covid-19)
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:	25 Aug 2022 01:53
Last Modified:	25 Aug 2022 01:53
URI:	http://eprints.upnyk.ac.id/id/eprint/30775

Actions (login required)

View Item