Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Kresna: Jurnal Riset dan Pengabdian Masyarakat
Andreansyah Andreansyah
Unknown Affiliation
Humanities Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Social Sciences

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Sentimen untuk Program Vaksin Booster Sebagai Syarat Mudik 2022 Menggunakan Algoritma KNN: Sentiment Analysis for The Booster Vaccine Program as A Condition for Homecoming 2022 Using The KNN Algorithm Andreansyah Andreansyah; Grace Gata
KRESNA: Jurnal Riset dan Pengabdian Masyarakat Vol 2 No 2 (2022): Jurnal KRESNA November 2022
Publisher : DRPM Universitas Budi Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36080/jk.v2i2.48

Abstract

Media sosial sebagai tempat untuk mengakses dan menyebarkan informasi telah berkembang sangat pesat, salah satunya adalah twitter. Twitter pada penelitian ini digunakan sebagai sumber untuk mengetahui pendapat atau opini masyarakat terhadap kebijakan pemerintah tentang vaksin booster sebagai syarat mudik di Indonesia tahun 2022. Opini-opini tersebut bisa berupa opini positif atau negatif, tergantung dari pandangan publik terhadap objek tersebut. Maka tujuan dari penelitian ini adalah untuk melakukan analisis sentimen dengan menggunakan algoritma K-Nearest-Neighbors, untuk mengetahui seberapa besar akurasi yang dihasilkan dari algoritma K-Nearest Neighbors dalam mengklasifikasikan sentimen dari sebuah tweet yang berkaitan dengan vaksin booster sebagai syarat mudik. Pada penelitian ini menggunakan metodologi Cross-Industry Standard Process For Data Mining (CRISP-DM). Dengan melewati beberapa tahapan seperti tahapan preprocessing dan pemodelan. Jumlah data yang didapat 2384 dengan sentimen positif 1970 tweet dan sentimen negatif 414 tweet. Berdasarkan hasil yang didapat dari tahapan pemodelan dengan menggunakan algoritma K-Nearest Neighbors pemodelan split data perbandingan 70:30 menggunakan k=9, maka accuracy yang dihasilakan sebesar 85.17%, precision 85.51% dan recall 98.82%.
Co-Authors Grace Gata, Grace