PENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK ANALISIS SENTIMEN TERHADAP DATA ULASAN APLIKASI E-COMMERCE LAZADA PADA GOOGLE PLAYSTORE
Abstract
Classification is the process of grouping objects based on their characteristics. Various classification methods have been employed, ranging from manual grouping to using technology as an aid in the process. One commonly used classification method is the K-Nearest Neighbor (K-NN) algorithm. K-NN predicts the class of data based on the majority class of its nearest neighbors. The novelty of this research lies in using the K-NN method on the case of Lazada application user sentiment on the Google Playstore. In this study, the review classification used is positive and negative labels. Additionally, three accuracy comparisons between training and testing data were used: 80% : 20%, 70% : 30%, and 60% : 40%. Based on the research results from the classification process of Lazada application user reviews on the Google Playstore, an accuracy of 87.00% was obtained for the training and testing data comparison of 80% : 20%.
References
Alessandro Riyanto, V., & Budi Santoso, D. (2024). Penerapan Model Support Vector Machine Pada Klasifikasi Sentimen Ulasan Aplikasi Lazada. Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK,9(1),178–184). https://tunasbangsa.ac.id/ejurnal/index.php/jurasik
Banjarsari, M. A., Budiman, I., & Farmadi, A. (2016). Penerapan K-Optimal Pada Algoritma Knn Untuk Prediksi Kelulusan Tepat Waktu Mahasiswa Program Studi Ilmu Komputer Fmipa Unlam Berdasarkan Ip Sampai Dengan Semester 4. Klik-Kumpulan Jurnal Ilmu Komputer, 2(2), 159–173.
Book, ·.(2017). Data Mining K-Nearest Neighbor. https://www.researchgate.net/publication/321804055
Deolika, A., & Taufiq Luthfi, E. (2019). Analisis Pembobotan Kata Pada Klasifikasi Text Mining. Jurnal Teknologi Informasi, 3(2).
Dewi, S. P., Nurwati, N., & Rahayu, E. (2022). Penerapan Data Mining Untuk Prediksi Penjualan Produk Terlaris Menggunakan Metode K-Nearest Neighbor. Building of Informatics, Technology and Science (BITS), 3(4), 639–648. https://doi.org/10.47065/bits.v3i4.1408
Dirjen, S. K., Riset, P., Pengembangan, D., Dikti, R., Saputra, S. A., Rosiyadi, D., Gata, W., Husain, S. M., Komputer, M. I., Komputer, I., Nusa, S., Kramat, M., Penelitian, P., Lipi, I., & Tangerang, U. M. (2017). Terakreditasi SINTA Peringkat 2 Analisis Sentimen E-Wallet Pada Google Play Menggunakan Algoritma Naive Bayes Berbasis Particle Swarm Optimization. masa berlaku mulai, 1(3), 377–382.
Habib Kusuma, I., & Cahyono, N. (2023). Analisis Sentimen Masyarakat Terhadap Penggunaan E-Commerce Menggunakan Algoritma K-Nearest Neighbor. 8(3).
Hasanah, K. (2024). Comparison of Sentiment Analysis Model for Shopee Comments on Google Play Store. Jurnal Sisfokom (Sistem Informasi dan Komputer), 13(1), 21–30. https://doi.org/10.32736/sisfokom.v13i1.1916
Ilham, A., & Pramusinto, W. (2023). 3 rd Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI) 30 Agustus 2023-Jakarta (Vol. 2, Nomor 2).
Inzalkar, S., & Sharma, J. (2015). A survey on text mining-techniques and application. International Journal of Research In Science & Engineering, 24, 1–14.
Kurnia, W. (2023). Sentimen Analisis Aplikasi E-Commerce Berdasarkan Ulasan Pengguna Menggunakan Algoritma Stochastic Gradient Descent. 4(1), 138–143. https://doi.org/10.33365/jtsi.v4i2.2561
Liu, B. (2012). Sentiment Analysis and Opinion Mining. Morgan & Claypool Publishers.
Luvia, Y. S., Windarto, A. P., Solikhun, S., & Hartama, D. (2017). Penerapan Algoritma C4. 5 Untuk Klasifikasi Predikat Keberhasilan Mahasiswa Di Amik Tunas Bangsa. Jurasik (Jurnal Riset Sistem Informasi dan Teknik Informatika), 1(1), 75–79.
Maulana, R., Hertaryawan, P., Raihan, M., Santoso, I., Tinggi, S., Komputer, I., Karya Informatika, C., Radin, J., Ii, I., Sawit, D., Pengadilan, S., Agama, T., Jakarta, D., Timur, J., Teknologi, U., Jakarta, M., Minangkabau, J., 60 -Manggarai, N., Selatan, J., & Id;, R. A. (t.t.). Komparasi Algoritma Naive Bayes Dan K-Nearest Neighbor Pada Analisis Sentimen Terhadap Ulasan Pengguna Aplikasi Tokopedia. 17(2). https://doi.org/10.47111/JTI
Mufidah, F. S., Winarno, S., Alzami, F., Udayanti, E. D., & Sani, R. R. (2022). Analisis Sentimen Masyarakat Terhadap Layanan Shopeefood Melalui Media Sosial Twitter Dengan Algoritma Naïve Bayes Classifier. JOINS (Journal of Information System), 7(1), 14–25. https://doi.org/10.33633/joins.v7i1.5883
Nurjanah, W. E., Setya Perdana, R., & Fauzi, M. A. (2017). Analisis Sentimen Terhadap Tayangan Televisi Berdasarkan Opini Masyarakat pada Media Sosial Twitter menggunakan Metode K-Nearest Neighbor dan Pembobotan Jumlah Retweet (Vol. 1, Nomor 12). http://j-ptiik.ub.ac.id
Pimpalkar, A. P., & Retna Raj, R. J. (2020). Influence of Pre-Processing Strategies on the Performance of ML Classifiers Exploiting TF-IDF and BOW Features. ADCAIJ: Advances in Distributed Computing and Artificial Intelligence Journal, 9(2), 49–68. https://doi.org/10.14201/adcaij2020924968
Putri, A. J., Syafira, A. S., Purbaya, M. E., & Purnomo, D. (2022). Analisis Sentimen E-Commerce Lazada pada Jejaring Sosial Twitter Menggunakan Algoritma Support Vector Machine. Jurnal TRINISTIK: Jurnal Teknik Industri, Bisnis Digital, dan Teknik Logistik, 1(1), 16–21. https://doi.org/10.20895/trinistik.v1i1.447
Raharjo, S., & Winarko, E. (2014). Klasterisasi, Klasifikasi Dan Peringkasan Teks Berbahasa Indonesia. Universitas Gunadarma-Depok, 8.
Rais, Z., Said, R. N., & Ruliana, R. (2022). Text Classification on Sentiment Analysis of Marketplace SHOPEE Reviews On Twitter Using K-Nearest Neighbor (KNN) Method. JINAV: Journal of Information and Visualization, 3(1), 1–8. https://doi.org/10.35877/454ri.jinav1389
Rizzo Irfan, M., & Ali Fauzi, M. (2018). Analisis Sentimen Kurikulum 2013 pada Twitter menggunakan Ensemble Feature dan Metode K-Nearest Neighbor (Vol. 2, Nomor 9). http://j-ptiik.ub.ac.id
Sihombing, P. R., & Yuliati, I. F. (2021). Penerapan Metode Machine Learning dalam Klasifikasi Risiko Kejadian Berat Badan Lahir Rendah di Indonesia. MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, 20(2), 417–426. https://doi.org/10.30812/matrik.v20i2.1174
Syahid, D., & Nursantika, D. (2016). Sistem Klasifikasi Jenis Tanaman Hias Daun Philodendron Menggunakan Metode K-Nearest Neighboor (Knn) Berdasarkan Nilai Hue, Saturation, Value (Hsv). 1.
Tabassum, A., & Patil, R. R. (2020). A Survey on Text Pre-Processing & Feature Extraction Techniques in Natural Language Processing. International Research Journal of Engineering and Technology. www.irjet.net
Wibawa, A. P., Guntur, M., Purnama, A., Akbar, M. F., & Dwiyanto, F. A. (2018). Metode-metode klasifikasi. Prosiding Seminar Ilmu Komputer dan Teknologi Informasi, 3(1).
WPR, A. A., Rozi, F., & Sukmana, F. (2021). Prediksi penjualan produk unilever menggunakan metode k-nearest neighbor. JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), 6(1), 155–160.
Yolanda, I., Fahmi, H., & Penerapan, [. (t.t.). JIKOMSI [Jurnal Ilmu Komputer dan Sistem Informasi]15 Penerapan Data Mining Untuk Prediksi Penjualan Produk Roti Terlaris Pada PT.Nippon Indosari Corpindo Tbk Menggunakan Metode K-Nearest Neighbor. 3(3), 9.
Yulia Muniar, A., & Ria Lestari, K. (t.t.). Muniar, Penerapan Algoritma K-Nearest Neighbor pada Pengklasifikasian Dokumen Berita Online Penerapan Algoritma K-Nearest Neighbor Pada Pengklasifikasian Dokumen Berita Online.
Zhong, N., Li, Y., & Wu, S.-T. (2010). Effective pattern discovery for text mining. IEEE transactions on knowledge and data engineering, 24(1), 30–44.
