ANALISIS SENTIMEN TERKAIT PROGRAM KARTU PRAKERJA MENGGUNAKAN METODE K-NEAREST NEIGHBORS

Authors

  • Cecep M Zakariya Universitas Jendral Achmad Yani
  • Yulison Herry Chrisnanto Universitas Jendral Achmad Yani
  • Gunawan Abdillah Universitas Jendral Achmad Yani

DOI:

https://doi.org/10.36595/jire.v7i2.1215

Keywords:

KNN, Sentiment Analysis, Twitter, Kartu Prakerja, Information Gain

Abstract

Salah satu masalah makroekonomi yang menghambat perkembangan suatu negara adalah tingkat pengangguran. Berdasarkan data dari Badan Pusat Statistik, pada Februari 2022 tingkat pengangguran terbuka mencapai 5,58%. Banyak pendapat tentang program kartu prakerja pemerintah untuk mengatasi pengangguran. Program ini mendapat tanggapan pro dan kontra yang menghasilkan beragam pendapat. Twitter sebagai platform media sosial memungkinkan penyampaian opini tentang berbagai isu, termasuk program kartu prakerja. Pendekatan analisis sentimen saat ini banyak digunakan untuk menilai opini tentang berbagai topik. Dalam penelitian ini, dilakukan analisis sentimen menggunakan metode K-Nearest Neighbors (KNN) dan seleksi fitur Information Gain untuk melihat tingkat akurasi yang dihasilkan oleh model dan menentukan apakah opini tentang program kartu prakerja bersifat positif, negatif, atau netral. hasil penelitian menunjukan bahwa metode ini berhasil mencapai tingkat akurasi sebesar 93% serta nilai precision, recall, F1-Score, dan G-Mean yang tinggi, dengan rasio dataset 70% data latih dan 30% data uji dengan parameter nilai K=1.

References

W. P. Anggraini and M. S. Utami, “Klasifikasi Sentimen Masyarakat Terhadap Kebijakan Kartu Pekerja Di Indonesia,” Fakt. Exacta, vol. 13, no. 4, p. 255, 2021, doi: 10.30998/faktorexacta.v13i4.7964.

BPS.go.id, “Februari 2022: Tingkat Pengangguran Terbuka (TPT) sebesar 5,83 persen dan Rata-rata upah buruh sebesar 2,89 juta rupiah per bulan,” Badan Pus. Stat., no. 36, p. 1, 2022, [Online]. Available: https://www.bps.go.id/pressrelease/2022/05/09/1915/februari-2022--tingkat-pengangguran-terbuka--tpt--sebesar-5-83-persen.html

ela wahyu novianti dan wahyu wibowondemi Covid-, “Analisis Sentimen Pengguna Twitter terhadap Program Kartu Prakerja di Tengah Pandemi Covid-19 Menggunakan Metode Naïve Bayes Classifier,” J. Sains dan senin ITS, vol. 11, no. 1, pp. 136–142, 2022.

R. Sanusi, F. D. Astuti, and I. Y. Buryadi, “Sentiment analysis on twitter towards pre-employment card program with recurrent neural network,” JIKO (Jurnal Inform. dan Komputer), vol. 5, no. 2, pp. 89–99, 2021.

S. Hasanah, I. Purwasih, and ..., “Analisis Sentimen Terhadap Masyarakat Adanya Uang Kertas Baru Menggunakan Algoritma K-Nearest Neighbor (Knn),” IKRA-ITH Inform. …, vol. 7, no. 2, pp. 105–114, 2023, [Online]. Available: http://journals.upi-yai.ac.id/index.php/ikraith-informatika/article/view/2813%0Ahttps://journals.upi-yai.ac.id/index.php/ikraith-informatika/article/download/2813/2065

A. Deolika, K. Kusrini, and E. T. Luthfi, “Analisis Pembobotan Kata Pada Klasifikasi Text Mining,” J. Teknol. Inf., vol. 3, no. 2, p. 179, 2019, doi: 10.36294/jurti.v3i2.1077.

M. Iqbal Zakasih and W. Tri Handoko, “Analisis Sentimen Pengguna Twitter Tentang Nft (Non Fungible Token) Dengan Metode Naive Bayes Classifier,” J. Inform. dan Rekayasa Elektron., vol. 5, no. 2, pp. 221–229, 2022, doi: 10.36595/jire.v5i2.694.

D. Duei Putri, G. F. Nama, and W. E. Sulistiono, “Analisis Sentimen Kinerja Dewan Perwakilan Rakyat (DPR) Pada Twitter Menggunakan Metode Naive Bayes Classifier,” J. Inform. dan Tek. Elektro Terap., vol. 10, no. 1, pp. 34–40, 2022, doi: 10.23960/jitet.v10i1.2262.

P. A. Nugroho, N. Sucahyo, and I. Kurniati, “Sentimen Analisis pada Sosial Media Twitter untuk Menilai Respon Masyarakat terhadap Seleksi Kartu Prakerja,” J. Teknlogi Inform. dan Komput. MH. Thamrin, vol. 9, no. 1, pp. 72–83, 2023, [Online]. Available: http://journal.thamrin.ac.id/index.php/jtik/article/view/862/pdf

I. Febriansyah, M. Fikry, and Yusra, “Analisis Sentiment di Twitter terhadap Anies Baswedan sebagai Bakal Calon Presiden 2024 Menggunakan Metode K-Nearest Neighbor,” G-Tech J. Teknol. Terap., vol. 7, no. 3, pp. 1061–1070, 2023, doi: 10.33379/gtech.v7i4.2723.

A. Baita and N. Cahyono, “Analisis Sentimen Mengenai Vaksin Sinovac Menggunakan Algoritma Support Vector Machine (Svm) Dan K-Nearest Neighbor (Knn),” Infos, vol. 4, no. 2, pp. 42–42, 2021.

S. A. Azzahra and A. Wibowo, “Analisis Sentimen Multi-Aspek Berbasis Konversi Ikon Emosi dengan Algoritme Naïve Bayes untuk Ulasan Wisata Kuliner Pada Web Tripadvisor,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 4, p. 737, 2020, doi: 10.25126/jtiik.2020731907.

M. Furqan, S. Sriani, and S. M. Sari, “Analisis Sentimen Menggunakan K-Nearest Neighbor Terhadap New Normal Masa Covid-19 Di Indonesia,” Techno.Com, vol. 21, no. 1, pp. 51–60, 2022, doi: 10.33633/tc.v21i1.5446.

R. Mahendrajaya, G. A. Buntoro, and M. B. Setyawan, “Analisis Sentimen Pengguna Gopay Menggunakan Metode Lexicon Based Dan Support Vector Machine,” Komputek, vol. 3, no. 2, p. 52, 2019, doi: 10.24269/jkt.v3i2.270.

P. D. Batlayeri and W. Gatta, “Analisis Sentimen Pejualan Jafra Dalam Pandemi Covid-19 Dengan Algoritma Klasifikasi,” J. Inform. dan Rekayasa Elektron., vol. 5, no. 1, pp. 11–18, 2022, doi: 10.36595/jire.v5i1.569.

N. Fitriyah, B. Warsito, and D. A. I. Maruddani, “Analisis Sentimen Gojek Pada Media Sosial Twitter Dengan Klasifikasi Support Vector Machine (Svm,” J. Gaussian, vol. 9, no. 3, pp. 376–390, 2020, doi: 10.14710/j.gauss.v9i3.28932.

F. Septianingrum, J. H. Jaman, and U. Enri, “Analisis Sentimen Pada Isu Vaksin Covid-19 di Indonesia dengan Metode Naive Bayes Classifier,” J. Media Inform. Budidarma, vol. 5, no. 4, p. 1431, 2021, doi: 10.30865/mib.v5i4.3260.

R. I. Pristiyanti, M. A. Fauzi, and L. Muflikhah, “Sentiment Analysis Peringkasan Review Film Menggunakan Metode Information Gain dan K-Nearest Neighbor,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 3, pp. 1179–1186, 2018, [Online]. Available: http://j-ptiik.ub.ac.id

H. Hidayatullah, P. Purwantoro, and Y. Umaidah, “Penerapan Naïve Bayes Dengan Optimasi Information Gain Dan Smote Untuk Analisis Sentimen Pengguna Aplikasi Chatgpt,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 3, pp. 1546–1553, 2023, doi: 10.36040/jati.v7i3.6887.

A. Bijaksana, P. Negara, H. Muhardi, and I. M. Putri, “Analisis Sentimen Maskapai Penerbangan Menggunakan Metode Naive Bayes Dan Seleksi Fitur Information Gain Sentiment Analysis on Airlines Using Naïve Bayes Method and Feature Selection Information Gain,” Jtiik, vol. 7, no. 3, pp. 599–606, 2020, doi: 10.25126/jtiik.202071947.

Syahril Dwi Prasetyo, Shofa Shofiah Hilabi, and Fitri Nurapriani, “Analisis Sentimen Relokasi Ibukota Nusantara Menggunakan Algoritma Naïve Bayes dan KNN,” J. KomtekInfo, vol. 10, pp. 1–7, 2023, doi: 10.35134/komtekinfo.v10i1.330.

M. J. Tursina, “Sentimen Analisis Sistem Zonasi Sekolah Pada Media Sosial Youtube Menggunakan Metode K-Nearest Neighbor Dengan Algoritma Levenshtein Distance,” Univ. Islam Negeri Syarif Hidayatullah Jakarta, pp. 1–99, 2019.

Downloads

Published

2024-11-01

Issue

Vol. 7 No. 2 (2024): JIRE NOPEMBER 2024

Section

Articles

License

Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.