Perbandingan Algoritma Naive Bayes Classifier dengan K-Nearest Neighbor (K-NN) Pada Ulasan Aplikasi Youtube Di PlayStore

Azmi Ulwan Dasuki; Erizal

doi:10.22236/teknoka.v9i1.17835

Penulis

Azmi Ulwan Dasuki Universitas Muhammadiyah Prof. DR. HAMKA
Erizal Universitas Muhammadiyah Prof. DR. HAMKA

DOI:

https://doi.org/10.22236/teknoka.v9i1.17835

Kata Kunci:

Youtube, Analisis Sentimen, Naive Bayes Classifier, K-NN

Abstrak

Youtube merupakan aplikasi yang sampai saat ini masih banyak digunakan dimana pengguna youtube ini bisa menonton dan memposting berbagai jenis video mulai dari hiburan, berita, serta wawasan secara gratis. Dengan banyaknya pengguna aplikasi Youtube, maka semakin banyak pula masyarakat yang memberikan komentar mulai dari komentar positif sampai negatif pada aplikasi Youtube di Google Play Store. Tujuan dilakukannya penelitian ini yaitu untuk menganalisis sentimen pengguna aplikasi youtube berdasarkan ulasan yang ada di google play store. Penelitian ini melewati tahap penarikan data, pelabelan data, text preprocessing, dan juga klasifikasi algoritma Naive Bayes Classifier dan K-NN. Setelah melalui tahap klasifikasi Naive Bayes Classifier dan K-NN, yaitu algoritma K-NN menghasilkan 81,26% dengan nilai precision sebesar 83,29% dan nilai recall sebesar 96,29% sedangkan algoritma Naive Bayes Classifier hanya menghasilkan nilai akurasi sebesar 78,24%, precision sebesar 82,83% dan recall sebesar 92,43%. Yang artinya dari hasil analisis sentimen tersebut, algoritma K-NN yang lebih unggul dibandingkan algoritma Naive Bayes Classifier serta pendapat masyarakat terhadap aplikasi youtube lebih banyak bersifat negatif daripada positif.

Unduhan

Data unduhan belum tersedia.

Referensi

A. Roshid, S. Kom, M. Kom, R. Imada, S. Kom, dan M. Kom, “Analisis Sentimen Masyarakat Terhadap Mainan Anak ‘Lato-Lato’ Menggunakan Metode Support Vector Machine (Svm) Pada Media Sosial Youtube,” vol. 8, no. 2502, 2023.

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

A. Putri dkk., “Komparasi algoritma K-NN, naive bayes dan SVM untuk prediksi kelulusan mahasiswa tingkat akhir: comparison of K-NN, naive bayes and SVM algorithms for final-year student graduation prediction,” MALCOM, vol. 3, no. 1, hlm. 20–26, Mei 2023, doi: 10.57152/malcom.v3i1.610.

D. F. Zhafira, B. Rahayudi, dan I. Indriati, “Analisis Sentimen Kebijakan Kampus Merdeka Menggunakan Naive Bayes dan Pembobotan TF-IDF Berdasarkan Komentar pada Youtube,” JUST-SI, vol. 2, no. 1, Agu 2021, doi: 10.25126/justsi.v2i1.24.

L. Indrianingsih dan B. Budiarsih, “Analisis hukum konten negatif di platform youtube di indonesia,” HUM SOC POL, vol. 2, no. 3, hlm. 892–916, Des 2022, doi: 10.53363/bureau.v2i3.71.

R. Savira, A. Solichin, dan M. Syafrullah, “Analisis sentimen pada twitter terhadap kenaikan bbm 2022 dengan lexicon dan support vector machine,” vol. 2, 2023.

R. A. Saputra, D. P. Ray, dan F. Irwiensyah, “Analisis Sentimen Aplikasi Tokocrypto Berdasarkan Ulasan Pada Google Play Store Menggunakan Metode Naïve Bayes”.

A. Setiawan, “Perbandingan Penggunaan Jarak Manhattan, Jarak Euclid, dan Jarak Minkowski dalam Klasifikasi Menggunakan Metode KNN pada Data Iris,” juses, vol. 5, no. 1, hlm. 28–37, Mei 2022, doi: 10.24246/juses.v5i1p28-37.

J. W. Iskandar dan Y. Nataliani, “Perbandingan Naïve Bayes, SVM, dan k- NN untuk Analisis Sentimen Gadget Berbasis Aspek,” RESTI, vol. 5, no. 6, hlm. 1120–1126, Des 2021, doi: 10.29207/resti.v5i6.3588.

S. K. P. Loka dan A. Marsal, “Perbandingan Algoritma K-Nearest Neighbor dan Naïve Bayes Classifier untuk Klasifikasi Status Gizi Pada Balita: Comparison Algorithm of K- Nearest Neighbor and Naïve Bayes Classifier for Classifying Nutritional Status in Toddlers,” MALCOM, vol. 3, no. 1, hlm. 8–14, Mei 2023, doi: 10.57152/malcom.v3i1.474.

C. A. A. Soemedhy, N. Trivetisia, N. A. Winanti, D. P. Martiyaningsih, T. W. Utami, dan S. Sudianto, “Analisis Komparasi Algoritma Machine Learning untuk Sentiment Analysis (Studi Kasus: Komentar YouTube ‘Kekerasan Seksual’),” JPIT, vol. 7, no. 2, hlm. 80–84, Mei 2022, doi: 10.30591/jpit.v7i2.3547.

S. M. Harahap dan R. Kurniawan, “Analisis Sentimen Komentar Youtube Terhadap Food Vlogger Dengan Menggunakan Metode Naïve Bayes,” MEANS, hlm. 87–96, Jun 2024, doi: 10.54367/means.v9i1.3912.

A. Karimah, G. Dwilestari, dan M. Mulyawan, “Analisis sentimen komentar video mobil listrik di platform youtube dengan metode naive bayes,” jati, vol. 8, no. 1, hlm. 767–737, Mar 2024, doi: 10.36040/jati.v8i1.8373.

H. Hidayat, F. Santoso, dan L. F. Lidimillah, “Analisis Sentimen Pengguna YouTube Tentang Rohingya Menggunakan Algoritma SVM (Support Vector Machine),” G-Tech, vol. 8, no. 3, hlm. 1729–1738, Jul 2024, doi: 10.33379/gtech.v8i3.4497.

V. N. Romadina, O. Juwita, dan P. Pandunata, “Analisis Komentar Toxic Terhadap Informasi COVID-19 pada YouTube Kementerian Kesehatan Menggunakan Metode Naïve Bayes Classifier,” INFORMAL, vol. 9, no. 1, hlm. 92, Mei 2024, doi: 10.19184/isj.v9i1.48126.