KLASIFIKASI PENGGUNA HASHTAG PADA APLIKASI TIKTOK MENGGUNAKAN PERBANDINGAN METODE K-NEAREST NEIGHBORS DAN NAÏVE BAYES CLASSIFIER
DOI:
https://doi.org/10.23960/jitet.v11i3.3150Abstract Views: 617 File Views: 508
Abstract
Penelitian ini bertujuan untuk membandingkan penggunaan algoritma machine learning yaitu, K-Nearest Neighbors (KNN) dengan algoritma Naive Bayes classifier dalam memberikan rekomendasi hashtag untuk pengguna aplikasi TikTok. Dataset yang digunakan dalam penelitian ini adalah dataset hashtag TikTok yang diambil dari sebuah website yang berdasarkan dari setiap kategori. Pada penelitian ini dilakukan pemodelan dengan menggunakan algoritma K-Nearest Neighbors (KNN) dan Naive Bayes classifier untuk memprediksi hashtag yang sesuai untuk pengguna Tiktok berdasarkan pada hashtag yang sedang populer digunakan. Kemudian dilakukan evaluasi kinerja kedua metode dengan menggunakan precision, recall, f1 score dan accuracy. Pada penelitian ini penulis akan membandingkan performa klasifikasi model yang telah dibuat menggunakan metode K-Nearest Neighbors dan Naive Bayes Classifier, tujuan perbandingan kinerja ini adalah untuk mempelajari metode mana yang memiliki kinerja terbaik dalam hal merekomendasikan penggunaan hashtag. Hasil dari penelitian ini menunjukan bahwa perbandingan dari kedua metode dapat memberikan klasifikasi rekomendasi hastag yang baik dengan nilai f1 score dan accuracy yang cukup tinggi.Downloads
References
Putri, N. W. (2022). Persepsi mahasiswa Universitas Islam Negeri Sunan Ampel Surabaya mengenai konten lgbt di aplikasi tik tok. Novita Wardaini Putri_I73218045.pdf
Turner, A. (2015). Generation Z: Technology and social interest. The Journal of Individual Psychology, 71(2), 103–113.
Noordiono, A. (2016). Karakter Generasi Z Dan Proses Pembelajaran Pada Program Studi Akuntansi [Doctoral Dissertation]. Universitas Airlangga
Bulele, Y. N., & Wibowo, T. (2020). Analisis Fenomena Sosial Media Dan Kaum Milenial : Studi Kasus Tiktok, 1, 565–572.
F. Ariani, Amir, N. Alam, and K. Rizal, “Klasifikasi Penetapan Status Karyawan Dengan Menggunakan Metode Naïve Bayes,” Paradig. - J. Komput. dan Inform., vol. 20, no. 2, pp. 33–38, 2018, doi: 10.31294/p.v.
Feldman, R. d. (2007). The Text Mining Handbook Advanced Approaches in Analyzing Unstructured Data. New York.: Cambridge University Press.
E. Purwaningsih and E. Nurelasari, “Penerapan K-Nearest Neighbor Untuk Klasifikasi Tingkat Kelulusan Pada Siswa,” Syntax J. Inform., vol. 10, no. 01, pp. 46–55, 2021, [Online]. Available: https://journal.unsika.ac.id/index.php/syntax/article/download/5173/2749.
J. M and V. H, “Opinion Mining For Sentiment Data Classification,” Int. J. Res. Inf. Technol., vol. 3, no. 1, pp. 1–13,2014.
R. P and M. M, “Sentiment Analysis of User Generated Twitter Updates using Various Classification,” 2009.
N. Rochmawati and S. C. Wibawa, “Opinion Analysis on Rohing
V. Narayanan, I. Arora, and A. Bhatia, “Fast and Accurate Sentiment Classification Using an Enhanced Naive Bayes Model”, IDEAL.Varanasi: India, 2013, pp.194–201.
J. LING, I. P. E. N. KENCANA, and T. B. OKA, “Analisis Sentimen Menggunakan Metode Naïve Bayes Classifier Dengan Seleksi Fitur Chi Square,” E-Jurnal Mat., vol. 3, no. 3, p. 92, 2014, doi: 10.24843/mtk.2014.v03.i03.p070.
Razzaghi, T., Roderick, O., Safro, I., Marko, N, Multilevel weighted support vector machine for classification on healthcare data with missing values. PloS ONE, 11(5), e0155,119.P. K. L. Utama. 2018. Identifikasi Hoax pada Media Sosial dengan Pendekatan Machine Learning", Widya Duta Vol. 13, No. 1. hal 69-76.
Ramadhan, R. S. Junta, Z., Ardytha, L. 2016. Penerapan Algoritma K-Nearest Neighbor pada Information Retrieval dalam Penentuan Topik Referensi Tugas Akhir. Journal of Applied Intelligent System, Vol. 1, No. 2. 123-133
V. A. Permadi, “Analisis sentimen menggunakan algoritma Naïve Bayes terhadap review restoran di Singapura,” Jurnal Buana Informatika, vol. 11, no. 2, pp. 141– 151, 2020.
F. Septianingrum, J. H. Jaman, and U. Enri, “Analisis Sentimen Pada Isu Vaksin Covid-19 di Indonesia dengan Metode Naive Bayes Classifier,” Jurnal Media Informatika Budidarma, vol. 5, no. 4, pp. 1431–1437, 2021.
T. Nugraha, P. Purwantoro, and Y. Umaidah, “Analisis Sentimen terhadap Perpanjangan Masa Jabatan Presiden Indonesia Menggunakan Algoritma Naïve Bayes,” Jurnal Pendidikan dan Konseling (JPDK), vol. 4, no. 4, pp. 4625–4635, 2022.
A. Aisyah and S. Anraeni, “Analisis penerapan metode K-Nearest Neighbor (K-NN) pada dataset citra penyakit malaria,” Indonesian Journal of Data and Science, vol. 3, no. 1, pp. 17–29, 2022.
M. Sabransyah, Y. N. Nasution, dan F. D. T. Amijaya, “Aplikasi Metode Naive Bayes dalam Prediksi Risiko Penyakit Jantung,” JURNAL EKSPONENSIAL, vol. 8, no. 2, hlm. 111–118, 2017.
Romadloni, N. T., Santoso, I. and Budilaksono, S. (2019) ‘Perbandingan Metode Naive Bayes , Knn Dan Decision Tree Terhadap Analisis Sentimen Transportasi Krl’, Jurnal IKRA-ITH Informatika, 3(2), pp. 1–9
