Seleksi Fitur Gain Ratio pada Analisis Sentimen Kebijakan Pemerintah Mengenai Pembelajaran Jarak Jauh dengan K-Nearest Neighbor. Yuita Arum Sari, S.Kom., M.Kom. dan Indriati, S.T., M.Kom.

Grandis, Galuh Fadillah (2021) Seleksi Fitur Gain Ratio pada Analisis Sentimen Kebijakan Pemerintah Mengenai Pembelajaran Jarak Jauh dengan K-Nearest Neighbor. Yuita Arum Sari, S.Kom., M.Kom. dan Indriati, S.T., M.Kom. Sarjana thesis, Universitas Brawijaya.

Abstract

Pembelajaran Jarak Jauh (PJJ) merupakan kebijakan yang dikeluarkan oleh Kementerian Pendidikan dan Kebudayaan (Kemendikbud) melalui Surat Edaran Nomor 15 Tahun 2020 tentang Pedoman Penyelenggaraan Belajar Dari Rumah Dalam Masa Darurat Penyebaran COVID-19. Surat Edaran ini diberlakukan selama darurat COVID-19 yang bertujuan untuk memenuhi hak dari peserta didik dalam mendapatkan layanan pendidikan, dan juga mencegah penyebaran yang meluas terhadap COVID-19. Setelah kebijakan ini dikeluarkan, berbagai macam tanggapan ataupun opini dari masyarakat mulai berkomentar terhadap kebijakan yang dikeluarkan ini pada media sosial khususnya Twitter. Hal tersebut bisa berupa opini yang positif ataupun opini negatif sehingga diperlukan analisis sentimen untuk melihat apakah kebijakan ini mendapat banyak tanggapan positif atau negatif. Analisis sentimen merupakan proses untuk mendapatkan informasi mengenai sentimen yang ada pada setiap opini. Analisis sentimen dilakukan dengan menggunakan metode klasifikasi K-Nearest Neighbor (KNN) dimana metode ini bertujuan untuk mencari hasil atau nilai dari dokumen terdekat. Selain itu, penggunaan seleksi fitur untuk mengurangi kata yang tidak relevan akan dipakai menggunakan Gain Ratio. Hasilnya adalah penggunaan Gain Ratio dengan nilai threshold median memiliki nilai dari f-measure paling tinggi yaitu 0,74 pada k = 11 dengan pengujian pada fold ke-2 dan k = 90 dengan pengujian fold ke-1. Hasil dari penggunaan Gain Ratio pada setiap fold memiliki nilai f-measure yang stabil dibandingkan dengan penggunaan Information Gain.

English Abstract

The Ministry of Education and Culture (Kemendikbud) released Circular Number 15 of 2020 concerning Guidelines for Implementing Learning from Home in an Emergency for the Spread of COVID-19, which is known as Distance Learning (PJJ). This Circular was issued during the COVID-19 emergency to protect students' rights to receive educational services while simultaneously preventing the spread of COVID-19. Following the publication of this policy, numerous types of responses or opinions from the general public began to be expressed on social media, especially Twitter. This can take the shape of a good or negative opinion, thus a sentiment analysis is required to determine whether this policy has gotten a lot of favorable or negative feedback. Sentiment analysis is a method for determining the sentiments that present in each viewpoint. The K-Nearest Neighbor (KNN) classification approach is used for sentiment analysis, and it seeks to find the outcomes or values of the closest documents. In addition, the increase ratio will be used to remove irrelevant terms via feature selection. As a result, the Gain Ratio with the highest f-measure value, namely 0.74 at k = 11 with testing on the second fold and k = 90 with testing on the first fold, is used. In comparison to using the information gain, the outcome of employing the Gain Ratio for each fold has a steady f-measure value.

Item Type:	Thesis (Sarjana)
Identification Number:	0521150088
Uncontrolled Keywords:	analisis sentimen, seleksi fitur, gain ratio, k-nearest neighbor, information gain, sentiment analysis, feature selection, Gain Ratio, k-nearest neighbor, information gain
Subjects:	000 Computer science, information and general works > 004 Computer science
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	Budi Wahyono Wahyono
Date Deposited:	03 Nov 2021 06:42
Last Modified:	24 Feb 2022 01:46
URI:	http://repository.ub.ac.id/id/eprint/186403

Text (DALAM MASA EMBARGO) Galuh Fadillah Grandis.pdf Restricted to Registered users only until 31 December 2023. Download (3MB)

Actions (login required)

View Item