Analisis Sentimen Mengenai Pasca Bencana Alam Menggunakan Metode K-Nearest Neighbor (K-NN) dan Decision Tree

Abstract

Abstrak— Indonesia sering mengalami bencana alam seperti angin puting beliung, banjir, gempa bumi, letusan gunung berapi, tanah longsor, dan tsunami. Bencana alam kerap diberitakan di media sosial. Salah satu platform media sosial paling cepat menyebarkan informasi adalah twitter. Twitter memungkinkan orang untuk secara bebas mengutarakan pendapat dan pandangannya tentang peristiwa terkini atau masa lalu. Tujuan dari penelitian ini adalah menggunakan analisis sentimen untuk mengetahui kategori sentimen mana yang dihasilkan berdasarkan informasi pasca bencana alam. Bagaimana cara masyarakat menyampaikan pendapat, termasuk sikap empati, dengan mengutarakan pendapat positif atau negatif di media sosial. Tujuan selanjutnya adalah mengetahui perbandingan keakuratan metode K-NN dan Decision Tree dengan fitur tambahan seperti TF-IDF, N-Gram, dan gabungan TF-IDF N-Gram. Proses pengumpulan data dilakukan dengan menggunakan teknik crawling dengan jumlah data yang digunakan sebanyak 2400 data. Untuk proses pelabelan setelah proses preprocessing menggunakan proses labelling TextBlob dan VADER. Hasil penelitian ini menunjukkan bahwa kelas sentimen yang dihasilkan dari tahapan labelling TextBlob dan VADER merupakan kelas sentimen negatif.  Data labelling TextBlob mmemberikan nilai akurasi yang lebih baik dibandingkan labelling VADER. Sedangkan untuk hasil pengujian, metode K-NN dengan fitur unigram memiliki nilai accuracy tinggi sebesar 78,95%, precision 72%, recall 38,30%, dan f-1 score 50%. Sedangkan metode Decision Tree memiliki nilai akurasi yang lebih baik dibandingkan metode K-NN dengan tambahan fitur TF-IDF & gabungan TF-IDF Unigram yaitu sebesar 81,29%, precision 94,12%, recall 34,04%, dan f-1 score 50%.

Kata Kunci— Analisis Sentimen, N-Gram, TF-IDF, K-NN, Decision Tree.