ANALISIS SENTIMEN PADA REVIEW OBJEK WISATA DUNIA FANTASI MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR (K-NN)

Retno Sari

Abstract


Abstract-Reviews of tourist attractions make it easier for other visitors to know the state of the place and become input for other visitors. Sentiment analysis is needed to make the best decision. This study aims to determine the accuracy of sentiment analysis using the K-Nearest Neighbor algorithm, which reviews using Indonesian language texts. The advantages of k-NN have a simple principle, working based on the shortest distance from the test sample and training sample. In this research, preprocessing used is tokenize, stopword filter and bi-gram. The data used consisted of 50 positive reviews and 50 negative reviews. Experiments have been carried out by changing the value of k and obtained the greatest accuracy with a value of k = 7 with an accuracy of 77.01, precission 92.38, recall 61.56 and AUC value of 0.894.

Keywords: sentiment analysis;Review of attractions; k-NN


Abstrak-Review mengenai tempat wisata memudahkan pengunjung lain untuk mengetahui keadaan tempat tersebut dan menjadi masukan untuk pengunjung lain. Analisis sentimen diperlukan untuk mengambil keputusan yang terbaik. Penelitian ini bertujuan untuk mengetahui akurasi analisis sentimen dengan menggunakan algoritma K-Nearest Neighbor yang mana review menggunakan teks berbahasa Indonesia. Kelebihan k-NN memiliki prinsip sederhana, bekerja berdasarkan jarak terpendek dari sampel uji dan sampel latih. Pada penelitian ini preprocessing yang digunakan yaitu tokenize, filter stopword dan bi-gram. Data yang digunakan terdiri dari 50 review positif dan 50 review negative. Eksperimen telah dilakukan dengan mengubah nilai k dan didapat akurasi yang terbesar dengan nilai k=7 dengan akurasi 77.01, precission 92.38, recall 61.56 dan nilai AUC 0.894.


Kata kunci : analisis sentiment; review objek wisata; k-NN



Full Text:

PDF (10-17)

References


Bramer, M. (2007). Principles of Data Mining. Springer.

Budianto, A., Maryono, D., & Ariyuana, R. (2018). Perbandingan K-Nearest Neighbor (KNN) Dan Support Vector Machine (SVM) Dalam Pengenalan Karakter Plat Kendaraan Bermotor. Jurnal Ilmiah Pendidikan Teknik Kejuruan (JIPTEK), 11(1), 42–52. https://doi.org/10.20961/jiptek.v11i1.21088

Ernawati, S., & Wati, R. (2018). Penerapan Algoritma K-Nearest Neighbors Pada Analisis Sentimen Review Agen Travel. Jurnal Khatulistiwa Informatika, VI(1), 64–69.

Fitrianti, R. P., Kurniawati, A., & Agusten, D. (2019). Terhadap Analisis Sentimen Review Restoran Dengan Teks Bahasa Indonesia. Seminar Nasional Aplikasi Teknologi Informasi (SNATi) 2019, 27–32.

Han, J., & Kamber, M. (2006). Data Mining Concepts dan Technique. Elsevier.

Ipmawati, J., Kusrini, & Taufiq Luthfi, E. (2017). Komparasi Teknik Klasifikasi Teks Mining Pada Analisis Sentimen. Indonesian Journal on Networking and Security, 6(1), 28–36.

Irfan, M. R., Fauzi, M. A., & Tibyani. (2018). Analisis Sentimen Kurikulum 2013 pada Twitter menggunakan Ensemble Feature dan Metode K-Nearest Neighbor. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(9), 3006–3014. http://j-ptiik.ub.ac.id

M.Weiss, S., Indurkhya, N., & Zhang, T. (2010). Texts in Computer Science - Fundamentals of Predictive Text Mining. Springer.

Nugraha, K. A., Hapsari, W., & Haryono, N. A. (2014). Analisis Tekstur Pada Citra Motif Batik Untuk Klasifikasi K-NN. Informatika, 10(2), 135–140.

Nurjanah, W. E., Perdana, R. S., & Fauzi, M. A. (2017). Analisis Sentimen Terhadap Tayangan Televisi Berdasarkan Opini Masyarakat pada Media Sosial Twitter menggunakan Metode K-Nearest Neighbor dan Pembobotan Jumlah Retweet. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 1(12), 1750–1757. https://doi.org/10.1074/jbc.M209498200

Pravina, A. M., Cholissodin, I., & Adikara, P. P. (2019). Analisis Sentimen Tentang Opini Maskapai Penerbangan pada Dokumen Twitter Menggunakan Algoritme Support Vector Machine ( SVM ). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 3(3), 2789–2797.

Romadloni, N. T., Santoso, I., & Budilaksono, S. (2019). PERBANDINGAN METODE NAIVE BAYES , KNN DAN DECISION TREE TERHADAP ANALISIS SENTIMEN TRANSPORTASI KRL. Jurnal IKRA-ITH Informatika, 3(2), 1–9.

Rustiana, D., & Rahayu, N. (2017). Analisis Sentimen Pasar Otomotif Mobil: Tweet Twitter Menggunakan Naïve Bayes. Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, 8(1), 113–120. https://doi.org/10.24176/simet.v8i1.841

Salam, A., Zeniarja, J., Septiyan, R., Khasanah, U., Studi, P., Informatika, T., Komputer, F. I., Nuswantoro, U. D., & Analysis, S. (2018). ANALISIS SENTIMEN DATA KOMENTAR SOSIAL MEDIA FACEBOOK DENGAN K-NEAREST NEIGHBOR ( STUDI KASUS PADA AKUN JASA. SINTAK 2018, 480–486.

Zulfa, I., & Winarko, E. (2017). Sentimen Analisis Tweet Berbahasa Indonesia Dengan Deep Belief Network. IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 11(2), 187. https://doi.org/10.22146/ijccs.24716




DOI: https://doi.org/10.31294/evolusi.v8i1.7371

Published By LPPM Universitas Bina Sarana Informatika

Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License