PERHITUNGAN ANALISIS SENTIMEN BERBASIS KOMPARASI ALGORITMA NAIVE BAYES DAN K-NEAREST NEIGHBOUR BERBASIS PARTICLE SWARM OPTIMIZATION PADA KOMENTAR INSIDEN PEMBALAP MOTOGP 2015
Total View This Week0
Total View This Week0
Institusion
Universitas Dirgantara Marsekal Suryadarma
Author
Jehan Saptia, Kurnia
Subject
T Technology (General)
Datestamp
2021-09-15 03:11:23
Abstract :
Media untuk mendapatkan informasi tentang berita pembalap motogp sangat banyak seperti media tv, radio, koran, majalah, website dan lain-lain. Tetapi dari sebagian besar media tersebut website merupakan media yang sangat fleksibel karena dapat di akses di berbagai macam tempat yang terkoneksi jaringan internet, informasi yang disediakan sangatlah up to date dan juga setiap orang bisa mengomentari artikel yang terkait. Informasi yang menyebar sangat cepat dan di iringi dengan kebebasan mengeluarkan pendapat dapat menimbulkan berbagai jenis opini, baik opini negatif atau positif. Dari beberapa teknik klasifikasi yang paling sering digunakan adalah Naive Bayes dan k-Nearest Neighbour KNN). Naive Bayes merupakan sebuah pengklasifikasi sederhana yang mengaplikasikan Teorema Bayes dengan ketidaktergantungan (independent) yang tinggi. K-Nearest Neighbour (KNN) algoritma klasifikasi memprediksi kategori tes sampel sesuai dengan sampel pelatihan K yang terdekat tetangga untuk sampel uji, dan hakim untuk kategori yang memiliki kategori terbesar probabilitas. Oleh karena itu, dalam penelitian ini menggunakan penggabungan metode pemilihan fitur, yaitu Particle Swarm Optimization agar bisa meningkatkan akurasi pada Naive Bayes dan k-Nearest Neighbour. Adapun akurasi yang dihasilkan pada algoritma Naive Bayes berbasis Particle Swarm Optimmization dengan akurasi 82.67%. dan k-Nearest Neighbour berbasis Particle Swarm Optimmization dengan akurasi 71.33%.Dapat disimpulkan bahwa penerapan optimasi dapat meningkatkan akurasi. Model di Naive Bayes berbasis Particle Swarm Optimization dapat memberikan solusi terhadap permasalahan klasifikasi review opini publik berita insiden pembalap motogp agar lebih akurat dan optimal. untuk model di k-Nearest Neighbour berbasis Particle Swarm Optimization akurasi menurun. Kata kunci: Media, Klasifikasi, Naive Bayes, k-Nearest Neighbour, Particle Swarm Optimization
Media untuk mendapatkan informasi tentang berita pembalap motogp sangat banyak seperti media tv, radio, koran, majalah, website dan lain-lain. Tetapi dari sebagian besar media tersebut website merupakan media yang sangat fleksibel karena dapat di akses di berbagai macam tempat yang terkoneksi jaringan internet, informasi yang disediakan sangatlah up to date dan juga setiap orang bisa mengomentari artikel yang terkait. Informasi yang menyebar sangat cepat dan di iringi dengan kebebasan mengeluarkan pendapat dapat menimbulkan berbagai jenis opini, baik opini negatif atau positif. Dari beberapa teknik klasifikasi yang paling sering digunakan adalah Naive Bayes dan k-Nearest Neighbour KNN). Naive Bayes merupakan sebuah pengklasifikasi sederhana yang mengaplikasikan Teorema Bayes dengan ketidaktergantungan (independent) yang tinggi. K-Nearest Neighbour (KNN) algoritma klasifikasi memprediksi kategori tes sampel sesuai dengan sampel pelatihan K yang terdekat tetangga untuk sampel uji, dan hakim untuk kategori yang memiliki kategori terbesar probabilitas. Oleh karena itu, dalam penelitian ini menggunakan penggabungan metode pemilihan fitur, yaitu Particle Swarm Optimization agar bisa meningkatkan akurasi pada Naive Bayes dan k-Nearest Neighbour. Adapun akurasi yang dihasilkan pada algoritma Naive Bayes berbasis Particle Swarm Optimmization dengan akurasi 82.67%. dan k-Nearest Neighbour berbasis Particle Swarm Optimmization dengan akurasi 71.33%.Dapat disimpulkan bahwa penerapan optimasi dapat meningkatkan akurasi. Model di Naive Bayes berbasis Particle Swarm Optimization dapat memberikan solusi terhadap permasalahan klasifikasi review opini publik berita insiden pembalap motogp agar lebih akurat dan optimal. untuk model di k-Nearest Neighbour berbasis Particle Swarm Optimization akurasi menurun. Kata kunci: Media, Klasifikasi, Naive Bayes, k-Nearest Neighbour, Particle Swarm Optimization
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
