Electronic Theses and Dissertation
Universitas Syiah Kuala
SKRIPSI
KLASIFIKASI DATA TWITTER BERBAHASA INDONESIA MENGGUNAKAN METODE K-NEAREST NEIGHBORS DAN NAÏVE BAYESIAN
Pengarang
Mauliana - Personal Name;
Dosen Pembimbing
Nomor Pokok Mahasiswa
1208107010001
Fakultas & Prodi
Fakultas MIPA / Informatika (S1) / PDDIKTI : 55201
Subject
Kata Kunci
Penerbit
Banda Aceh : FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SYIAH KUALA., 2016
Bahasa
Indonesia
No Classification
6.312
Literature Searching Service
Hard copy atau foto copy dari buku ini dapat diberikan dengan syarat ketentuan berlaku, jika berminat, silahkan hubungi via telegram (Chat Services LSS)
Twitter merupakan salah satu microbloging populer di mana pengguna dapat membaca dan mengirim pesan teks dengan maksimal 140 karakter. Indonesia merupakan negara kelima terbesar di dunia sebagai pengguna Twitter paling aktif berdasarkan penelitian Semiocast pada tahun 2012. Banyaknya pengguna Twitter di Indonesia membuat tweet berbahasa Indonesia berjumlah sangat besar. Hal ini dapat dijadikan sebagai sumber data untuk memperoleh informasi. Salah satu metode dalam teks mining yang dapat digunakan untuk mengolah data Twitter adalah klasifikasi. Metode klasifikasi yang digunakan dalam penelitian ini adalah k-Nearest Neighbors (k-NN) dan Naïve Bayesian. Klasifikasi dilakukan dengan mengategorikan tweet menjadi 4 kelas yaitu bencana, kriminal, olahraga, dan lainnya. Tweet yang diklasifikasikan hanyalah tweet yang terdapat hashtag aceh (#aceh) di dalamnya. Data yang digunakan pada penelitian ini berjumlah 16.440 data Twitter dan 10.000 data berita online. Tahapan penelitian ini terdiri dari pengumpulan data, pembersihan data, pembuatan kamus n-gram, pembangkitan fitur, dan klasifikasi. Kamus dibangun dari data Twitter dan data berita. Pengujian dilakukan menggunakan data Twitter berlabel dan tidak berlabel. Pada data tidak berlabel dilakukan proses prediksi sebelum dilakukan klasifikasi. Hasil klasifikasi menunjukkan algoritma k-NN memiliki akurasi lebih baik dibandingkan algoritma Naïve Bayesian. Nilai f-measure tertinggi yaitu 0,812 diperoleh pada pengujian dengan k = 7, sedangkan nilai ROC tertinggi diperoleh pada k = 9 yaitu 0,736. Dari segi waktu klasifikasi, algoritma Naïve Bayesian lebih unggul dibandingkan k-NN.
Kata kunci : Twitter, klasifikasi, k-NN, Naïve Bayesian
Tidak Tersedia Deskripsi
ANALISIS SENTIMEN TERHADAP PARIWISATA DAN KEBUDAYAAN ACEH DARI DATA TWITTER MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM), NAIVE BAYESIAN DAN K-NEAREST NEIGHBOUR (Reza Irwanda, 2022)
KLASIFIKASI DATA BESAR ROAD WEATHER INFORMATION STATIONS MENGGUNAKAN NAÏVE BAYESIAN DAN RANDOM FOREST PADA SISTEM TERDISTRIBUSI HADOOP (SYAMSUL KAMAL, 2017)
ANALISIS SENTIMEN PADA REVIEW HOTEL DENGAN TEKS BAHASA INDONESIA MENGGUNAKAN MACHINE LEARNING (NURHAFNITA, 2023)
IMPLEMENTASI MACHINE LEARNING DALAM ANALISIS SENTIMEN UJARAN KEBENCIAN DAN KEKERASAN VERBAL RNDI TWITTER (MEILIA ILDHA ANSHILA SITORUS, 2024)
KLASIFIKASI DEPRESI DARI PESAN TEKS MELALUI SENTIMEN PENGGUNA DI TWITTER MENGGUNAKAN METODE NAïVE BAYES (Wika Meilany Syam Bahri, 2022)