Implementasi Algoritma K-Nearest Neighbors untuk Menganalisis Pendapat Pakar AI tentang Kemajuan Kecerdasan Buatan

Muhammad Akmal Hakim; Hermawan Hermawan; Peri Gunawan; Rendi Pratama; Fandi Kurniawam

doi:10.51519/journalcisa.v5i1.456

Authors

Muhammad Akmal Hakim Universitas Muhammadiyah Kotabumi
Hermawan Hermawan Universitas Muhammadiyah Kotabumi
Peri Gunawan Universitas Muhammadiyah Kotabumi
Rendi Pratama Universitas Muhammadiyah Kotabumi
Fandi Kurniawam Universitas Muhammadiyah Kotabumi

DOI:

10.51519/journalcisa.v5i1.456

Keywords:

Analisis Sentimen, Klasifikasi, K-Nearest Neighbor

Abstract

Perkembangan teknologi berkembang dengan sangat pesat, terutama dibidang informasi seperti media sosial. Saat ini sudah banyak platform media sosial seperti YouTube yang bisa digunakan untuk mengunggah dan menonton video serta streaming video di Internet. Video yang disalurkan di YouTube biasanya mendapat ratusan ribu, bahkan jutaan penonton dan puluhan ribu komentar dari para netizen. Ada banyak video di YouTube yang membahas tentang AI (Artificial Intelligence/Kecerdasan Buatan, dan beberapa pakar serta netizen di seluruh dunia mendukung AI, sementara yang lain menentangnya. Oleh karena itu pada penelitian ini kami menggunakan algoritma K-Nearest Neighbor (KNN) untuk mengklasifikasikan sentimen komentar menjadi positif dan negatif. Hasil akurasi dari menggunakan klasifikasi K-NN yaitu, akurasi yang didapat yaitu sebesar 70.82%, class precision untuk pred.positif dengan skor 57.80%, dan class.precision pred.negatif dengan skor 82.26%. dan untuk class.recall true positif dengan skor 74.12%, dan clasa.recall true negatif dengan skor 68.92%.

References

A. Suryaningsih, “Dampak Media Sosial Terhadap Prestasi Belajar Peserta Didik,” Edusaintek J. Pendidikan, Sains Dan Teknol., vol. 7, no. 1, pp. 1–10, 2020, doi: 10.47668/edusaintek.v7i1.45.

E. I. Supriyadi and D. B. Asih, “Key to artificial intelligence (AI),” Adv. Intell. Syst. Comput., vol. 1252 AISC, no. 2, pp. 647–656, 2021, doi: 10.1007/978-3-030-55190-2_49.

R. Asrianto and M. Herwinanda, “Analisis sentimen kenaikan harga kebutuhan pokok dimedia sosial youtube menggunakan algoritma support vector machine,” J. CoSciTech (Computer Sci. Inf. Technol., vol. 3, no. 3, pp. 431–440, 2022, doi: 10.37859/coscitech.v3i3.4368.

E. S. Susanto, K. Kusrini, and H. Al Fatta, “Prediksi Kelulusan Mahasiswa Magister Teknik Informatika Universitas Amikom Yogyakarta Menggunakan Metode K-Nearest Neighbor,” Respati, vol. 13, no. 2, pp. 67–72, 2018, doi: 10.35842/jtir.v13i2.260.

F. Rozi, M. Bagoes, and S. Junianto, “Penerapan Machine Learning Untuk Prediksi Harga Saham PT.Telekomunikasi Indonesia Tbk Menggunakan Algoritma K-Nearest Neighbors,” J. Inform. MULTI, vol. 1, no. 1, pp. 18–24, 2023.

F. Ahluna et al., “Metode K-Nearest Neighbor Untuk Analisis Sentimen Tentang Penghapusan Ujian Nasional,” J. Ikraith-Informatika, vol. 7, no. 2, pp. 1–6, 2023.

F. Kurniawan and Q. Al Qorni, “Exploring Sentimen Analysis Using Machine Learning: A Case Study on Partai Demokrasi Indonesia Perjuangan (PDIP) in the 2024 General Election,” Sinomics J. | Vol., vol. 2, no. 4, pp. 911–920, 2023.

A. Salam, J. Zeniarja, and R. S. U. Khasanah, “Analisis Sentimen Data Komentar Sosial Media Facebook Dengan K-Nearest Neighbor (Studi Kasus Pada Akun Jasa Ekspedisi Barang J&T Ekpress Indonesia),” Pros. SINTAK, pp. 480–486, 2018.

D. Cahyanti, A. Rahmayani, and S. A. Husniar, “Analisis performa metode Knn pada Dataset pasien pengidap Kanker Payudara,” Indones. J. Data Sci., vol. 1, no. 2, pp. 39–43, 2020, doi: 10.33096/ijodas.v1i2.13.

A. N. Kasanah, M. Muladi, and U. Pujianto, “Penerapan Teknik SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Objektivitas Berita Online Menggunakan Algoritma KNN,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 3, no. 2, pp. 196–201, 2019, doi: 10.29207/resti.v3i2.945.

R. Wati, S. Ernawati, and H. Rachmi, “Pembobotan TF-IDF Menggunakan Naïve Bayes Pada Sentimen Masyarakat Mengenai Isu Kenaikan BIPIH,” vol. 13, no. April, pp. 84–93, 2023.