Meidika Bagus Saputro, 4611419009 (2023) KOMPARASI ALGORITMA NAÏVE BAYES CLASSIFIER DAN K-NEAREST NEIGHBOR DENGAN INFORMATION GAIN DAN ADAPTIVE BOOSTING UNTUK ANALISIS SENTIMEN ULASAN APLIKASI SPOTIFY. Under Graduates thesis, UNIVERSITAS NEGERI SEMARANG.

PDF - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Perkembangan teknologi dan informasi di Indonesia dari waktu ke waktu terus meningkat. Berkembangnya teknologi dan informasi membuat semakin tingginya volume data yang ada di dunia meningkat pula. Banyaknya data yang tersedia pada saat ini dapat diolah dan digunakan untuk menentukan keputusan, tujuan, dan lain sebagainya. Hal ini diterapkan kedalam banyak hal, misalnya dalam dunia hiburan. Spotify merupakan salah satu penerapan dalam bidang hiburan yang lebih spesifiknya bergerak sebagai penyedia streaming music yang kini tersedia dalam berbagai platform penyedia layanan seperti Google Play Store. Tersedianya aplikasi ini dalam layanan Google Play Store memudahkan para pengguna memberikan ulasan mengenai penggunaan aplikasi tersebut dimana ulasan yang diberikan tersebut dapat diidentifikasi nilai sentimennya. Dalam melakukan analisis sentimen dapat diklasifikasikan menggunakan bantuan algoritma klasifikasi, dalam penelitian ini diterapkan algoritma naïve Bayes classifier dan k-nearest neighbor yang masing-masing algoritma tersebut dikombinasikan dengan seleksi fitur information gain dan algoritma boosting adaboost. Dataset yang digunakan dalam penelitian ini merupakan dataset publik yang tersedia di website Kaggle dengan jumlah data yang digunakan dalam penelitian sebanyak 60.000 data. Berdasarkan perhitungan dengan menggunakan algoritma naïve Bayes classifier yang dikombinasikan menggunakan information gain dengan top k = 400 dan adaboost dengan estimator = 700 dan learning rate = 0.5 menghasilkan akurasi sebesar 87,28%. Sedangkan pada perhitungan menggunakan algoritma k-nearest neighbor yang dikombinasikan menggunakan information gain dengan top k = 400 dan adaboost dengan estimator = 800 dan learning rate = 0.7 menghasilkan akurasi sebesar 80,35%. Peningkatan akurasi yang baik dapat dilihat ketika penggabungan metode diterapkan pada algoritma klasifikasi naïve Bayes classifier dan sebaliknya ketika diterapkan pada algoritma klasifikasi k-nearest neighbor terjadi penurunan dikarenakan sifat dari penambahan algoritma adaboost yang cenderung sensitif dengan data noise pada proses klasifikasi sebelumnya. Untuk penelitian selanjutnya yang akan melakukan penelitian dengan topik dan dataset yang sama yaitu tekait analisis sentimen ulasan aplikasi Spotify dengan menerapkan kombinasi metode penelitian maupun jumlah data yang digunakan untuk klasifikasi berbeda agar dapat diketahui pola akurasi yang berbeda dari penelitian yang telah dilakukan

Actions (login required)

View Item