KLASIFIKASI OPINI MASYARAKAT TERHADAP VIDEO DOKUMENTER DIRTY VOTE DENGAN ALGORITMA KNN(K-NEAREST NEIGHBOR) DAN NAÏVE BAYES

Jendraja Husein Kotan; Andreas Andreas; Silvi Mutia; Hafiz Irsyad

doi:10.46576/syntax.v5i1.4575

KLASIFIKASI OPINI MASYARAKAT TERHADAP VIDEO DOKUMENTER DIRTY VOTE DENGAN ALGORITMA KNN(K-NEAREST NEIGHBOR) DAN NAÏVE BAYES

Jendraja Husein Kotan, Andreas Andreas, Silvi Mutia, Hafiz Irsyad

Abstract

Penelitian ini menggabungkan 2 algoritma yaitu algoritma K-Nearest Neighbor (KNN) dan Naïve Bayes dalam mengklasifikasikan opini masyarakat terhadap video dokumenter "Dirty Vote". KNN mengklasifikasikan data berdasarkan kemiripan dengan data yang ada, sementara Naïve Bayes menggunakan pendekatan probabilistik dengan asumsi independensi antar fitur. Tujuan penelitian ini adalah mengevaluasi efektivitas dan akurasi kedua algoritma dalam analisis sentimen. Hasil menunjukkan Naïve Bayes lebih mendapatkan tingkat akurasi sebesar 0.76. Kesimpulannya, Klasifikasi Opini Masyarakat terhadap Video Dirty Vote dengan menggunakan Algoritma KNN dan Naïve Bayes sangat penting dan bermanfaat untuk meningkatkan edukasi masyarakat mengenai pentingnya integritas pemilu dan mendorong partisipasi aktif dalam proses demokrasi, sehingga memperkuat sistem demokrasi dan memastikan suara masyarakat didengar dalam pengambilan keputusan politik.

Kata Kunci— KNN, Naïve Bayes, Sentimen, Dirty Vote.

ABSTRACT

This research combines 2 algorithms, namely the K-Nearest Neighbor (KNN) algorithm and Naïve Bayes in classifying public opinion on the documentary video "Dirty Vote". KNN classifies data based on similarity to existing data, while Naïve Bayes uses a probabilistic approach with the assumption of independence between features. The aim of this research is to evaluate the effectiveness and accuracy of the two algorithms in sentiment analysis. The results show that Naïve Bayes has a higher accuracy rate of 0.76. In conclusion, Classification of Public Opinion on Dirty Vote Videos using the KNN and Naïve Bayes Algorithms is very important and useful for increasing public education regarding the importance of election integrity and encouraging active participation in the democratic process, thereby strengthening the democratic system and ensuring that people's voices are heard in political decision making.

Keywords— KNN, Naïve Bayes, Sentiment, Dirty Vote.

Full Text:

PDF (Bahasa Indonesia)

References

S. Ardhi, “Ahli Hukum UGM Zainal Arifin Tanggapi Kontroversi Film ‘Dirty Vote,’” ugm.ac.id. Accessed: May 30, 2024. [Online]. Available: https://ugm.ac.id/id/berita/ahli-hukum-ugm-zainal-arifin-tanggapi-kontroversi-film-dirty-vote/

H. ,Muchammad Nurrun, I. ,Paulus Santosa, and W. W. Winarno, “STUDI LITERATUR TENTANG PERBANDINGAN METODE UNTUK PROSES ANALISIS SENTIMEN DI TWITTER,” 2016.

R. Alfiyyah, R. Andreswari, and E. Sutoyo, “ANALISIS DAN DETEKSI FRAUD PADA DATA PANGGILAN MENGGUNAKAN ALGORITMA K NEAREST NEIGHBOR (STUDI KASUS: PT XYZ),” 2020.

P. Sofyan Zakaria, R. Julianto, and R. Surya Bernada, “IMPLEMENTASI NAIVE BAYES MENGGUNAKAN PYTHON DALAM KLASIFIKASI DATA,” 2023. [Online]. Available: https://jurnalmahasiswa.com/index.php/biikma

A. Deolika and E. Taufiq Luthfi, “ANALISIS PEMBOBOTAN KATA PADA KLASIFIKASI TEXT MINING,” Jurnal Teknologi Informasi, vol. 3, no. 2, 2019

A. H. Tri Jaka, “Preprocessing Text untuk Meminimalisir Kata yang Tidak Berarti dalam Proses Text Mining,” 2015.

F. Putra, H. F. Tahiyat, R. M. Ihsan, R. Rahmaddeni, and L. Efrizoni, “Penerapan Algoritma K-Nearest Neighbor Menggunakan Wrapper Sebagai Preprocessing untuk Penentuan Keterangan Berat Badan Manusia,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 1, pp. 273–281, Jan. 2024, doi: 10.57152/malcom.v4i1.1085.

S. Syafrizal, M. Afdal, and R. Novita, “Analisis Sentimen Ulasan Aplikasi PLN Mobile Menggunakan Algoritma Naïve Bayes Classifier dan K-Nearest Neighbor,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 1, pp. 10–19, Dec. 2023, doi: 10.57152/malcom.v4i1.983.

L. Aji Andika and P. Amalia Nur Azizah, “Analisis Sentimen Masyarakat terhadap Hasil Quick Count Pemilihan Presiden Indonesia 2019 pada Media Sosial Twitter Menggunakan Metode Naive Bayes Classifier,” 2019.

Y. P. Akbar, M. Sri Satyawati, and N. Putra Sastra, “Analisis Sentimen Kata Anjay pada Media Sosial Twitter Dalam Kajian Linguistik Komputasi,” Stilistika : Journal of Indonesian Language and Literature, vol. 1, no. 2, p. 62, Apr. 2022, doi: 10.24843/stil.2022.v01.i02.p06.

A. Z. Amrullah, A. Sofyan Anas, M. Adrian, and J. Hidayat, “Analisis Sentimen Movie Review Menggunakan Naive Bayes Classifier Dengan Seleksi Fitur Chi Square,” Jurnal, vol. 2, no. 1, 2020, doi: 10.30812/bite.v2i1.804.

J. Indri and Lindawati, “Analisis Sentimen Terhadap Sistem Informasi Akademik Mahasiswa Institut Teknologi Garut,” 2022. [Online]. Available: https://jurnal.itg.ac.id/

P. Yulianto and S. Darwis, “Penerapan Metode K-Nearest Neighbors (kNN) pada Bearing,” 2021, doi: 10.29313/.v1i01.7090.

M. E. Lasulika, “KOMPARASI NAÏVE BAYES, SUPPORT VECTOR MACHINE DAN K-NEAREST NEIGHBOR UNTUK MENGETAHUI AKURASI TERTINGGI PADA PREDIKSI KELANCARAN PEMBAYARAN TV KABEL,” ILKOM Jurnal Ilmiah, vol. 11, no. 1, pp. 11–16, May 2019, doi: 10.33096/ilkom.v11i1.408.11-16.

M. M. Baharuddin, H. Azis, and T. Hasanuddin, “ANALISIS PERFORMA METODE K-NEAREST NEIGHBOR UNTUK IDENTIFIKASI JENIS KACA,” ILKOM Jurnal Ilmiah, vol. 11, no. 3, pp. 269–274, Dec. 2019, doi: 10.33096/ilkom.v11i3.489.269-274.

DOI: https://doi.org/10.46576/syntax.v5i1.4575