Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X

Transkripsi

1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer e-issn: X Vol. 1, No. 12, Desember 2017, hlm hp://j-piik.ub.ac.id Analisis Senimen Terhadap Tayangan Televisi Berdasarkan Opini Masyaraka pada Media Sosial Twier menggunakan Meode K-Neares Neighbor dan Jumlah Rewee Winda Esu Nurjanah 1, Rizal Seya Perdana 2, Mochammad Ali Fauzi 3 Program Sudi Teknik Informaika, 1 windaesu@gmail.com, 2 rizalespe@ub.ac.id, 3 moch.ali.fauzi@ub.ac.id Absrak Twier merupakan sius web layanan jejaring sosial yang banyak diminai pengguna inerne sebagai media komunikasi dan mendapakan informasi. Informasi yang erdapa pada Twier berupa peranyaan, opini aau komenar, baik yang bersifa posiif maupun negaif. Analisis senimen merupakan salah sau cabang peneliian dari Tex Mining yang melakukan proses klasifikasi pada dokumen eks. Meode yang digunakan adalah K-Neares Neighbor, dengan menambahkan fiur pemboboan jumlah rewee (non-eksual). eksual hasil dari klasifikasi K-Neares Neighbor dan pemboboan non-eksual dari pemboboan jumlah rewee akan digabungkan menggunakan nilai konsana erenu (α dan β) unuk menghasilkan senimen posiif dan negaif. Daa yang digunakan berupa opini masyaraka erhadap ayangan elevisi pada wier sejumlah 400. Dari hasil pengujian akurasi menggunakan pemboboan eksual diperoleh 82,50%, menggunakan pemboboan non-eksual 60%, dan menggunakan penggabungan keduanya 83,33% dengan nilai k=3 dan konsana perkalian yang epa α=8 dan β=2. Kaa Kunci: analisis senimen, Twier, K-Neares Neighbor, pemboboan jumlah Rewee. Absrac Twier is a social media ha aracs many inerne users as a media for communicaion and geing informaion. The informaion covered on Twier in he form of quesions, opinions or commens, wheher i is posiive or negaive. Senimen analysis is a par of research from Tex Mining ha conduced he classificaion process on ex documens. K-Neares Neighbor was used as mehod of his research, by adding he qualiy of rewee (non-exual). The resul of exual qualiy of he K-Neares Neighbor classificaion and he non-exual qualiy from he sum of rewees would be combined using cerain consans (α and β) o generae posiive and negaive senimens. The daa was used in he form of public opinion on he elevision show on wier showed 400. From he es resuls of accuracy using non-exual qualiy obained 82.50%, using 60% non-exual qualiy, and use he combinaion of boh was 83.33% wih he score k=3 and he exac muliplicaion consan α=8 and β=0.2. Keywords: senimen analysis, Twier, K-Neares Neighbor, weighing he number of Rewees. 1. PENDAHULUAN Televisi merupakan salah sau media elekronik yang menjadi hiburan dan sumber informasi bagi pemirsa ayangan elevisi. Penilaian unuk ayangan elevisi dapa diliha melalui raing aau program apa saja yang paling banyak disaksikan oleh masyaraka. Sasiun elevisi menggunakan Nielsen Audience Measuremen sebagai jasa peneliian peringka program (raing), dengan melakukan perhiungan raing dan share elevisi (Fachruddin, 2016). Hasil dari perhiungan ersebu, akan mengeluarkan laporan ruin seiap hari unuk masing-masing sasiun elevisi mengenai program apa saja yang menjadi unggulan dan idak diunggulkan lagi (Fachruddin, 2016). Nielsen Audience Measuremen merupakan perusahaan yang menyelenggarakan pengukuran kepemirsaan elevisi aau disebu dengan Television Audience Measuremen (TAM). Nilai raing sanga pening unuk berahannya suau ayangan elevisi, namun Fakulas Ilmu Kompuer Universias Brawijaya 1750

2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1751 idak menjamin ayangan elevisi ersebu memiliki kualias yang inggi (Tiara, Sabariah, & Effendy, 2015). Sering kali pemirsa ayangan elevisi memberikan opini aau komenar erhadap ayangan elevisi melalui media sosial salah saunya Twier. Opini ersebu berupa wee yang naninya akan menjadi sebuah beria yang ersebar pada imeline Twier. Opini masyaraka pada Twier erhadap ayangan elevisi memiliki peranan yang pening, karena dapa digunakan unuk melakukan analisis senimen dalam memprediksi penilaian masyaraka erhadap suau ayangan elevisi, apakah bersifa posiif aau negaif. Analisis senimen merupakan bidang sudi yang menganalisis pendapa, senimen, penilaian, evaluasi, sikap, dan emosi seseorang erkai suau opik, layanan, produk, individu, organisasi, aau kegiaan erenu (Liu, 2012). Analisis senimen dilakukan unuk menenukan apakah opini aau komenar erhadap suau permasalahan, memiliki kecenderungan posiif aau negaif dan dapa dijadikan sebagai acuan dalam meningkakan suau pelayanan, aaupun meningkakan kualias produk. Algorime yang digunakan unuk proses klasifikasi yaiu K-Neares Neighbor dan dilakukan penambahan fiur pemboboan jumlah rewee. Algorime ersebu dipilih karena dari peneliian sebelumnya yang dilakukan oleh Samuel, Delima dan Rachma (2014), membahas enang klasifikasi subopik beria, menunjukkan akurasi yang baik, dengan nilai k=3, menunjukan hasil persenase 88,29% (Samuel, Delima, & Rachma, 2014). Peneliian lainnya dilakukan oleh Perdana dan Pinandio (2016), membahas enang kombinasi Likes-Rewee dan Näive Bayes Classifier dalam Twier unuk proses analisis senimen. Kombinasi kedua fiur ersebu menghasilkan nilai F-measure sebesar 838 (Perdana & Pinandio, 2017). Penggabungan algorime K-Neares Neighbor dan penambahan fiur pemboboan jumlah rewee diharapkan mampu meningkakan hasil akurasi dan dapa melakukan klasifikasi dengan hasil yang epa, sehingga hasil keluaran sisem mampu menjadi acuan sera perimbangan bagi pemirsa ayangan elevisi dan dalam memilih ayangan yang banyak disukai oleh masyaraka umum. 2. METODE USULAN Tahapan proses pada sisem analisis senimen erhadap ayangan elevisi berdasarkan opini masyaraka pada media sosial Twier menggunakan meode K-Neares Neighbor dan pemboboan jumlah Rewee diawali dengan proses menghiung pemboboan eksual, dimulai dari praproses, yang mana dalam proses ini ada beberapa proses yaiu okenisasi, cleansing, case folding, filerisasi dan semming. Tahapan selanjunya yaiu pemboboan kaa, dalam proses ini ada beberapa proses yaiu TF, DF, Wf, IDF, dan TF-IDF. Seelah dilakukan proses pemboboan kaa, maka akan dihiung ingka kemiripan dokumen menggunakan cosine similariy, kemudian masuk pada proses klasifikasi eks menggunakan meode K-Neares Neighbor. Tahap selanjunya dilakukan pemboboan jumlah Rewee (non-eksual). Pada ahapan ini, jumlah Rewee pada dokumen wee akan diberikan bobo sesuai dengan jumlah rewee yang ada pada dokumen ersebu dengan proses normalisasi min-max. Normalisasi jumlah rewee dilakukan unuk seiap jumlah rewee pada daa uji yang dibandingkan dengan jumlah rewee pada daa laih eangganya. Selanjunya hasil pemboboan eksual akan digabungkan dengan pemboboan jumlah rewee (noneksual) yang sebelumnya elah dilakukan normalisasi min-max. Hasil dari penggabungan ersebu akan menghasilkan suau nilai, sehingga dapa dikeahui dokumen yang elah dilakukan proses klasifikasi bernilai posiif aau negaif. Alur dari proses sisem dapa diampilkan dalam Gambar Kaa kaa (erm) berujuan unuk memberikan bobo pada seiap kaa (erm) yang erdapa pada dokumen eks yang akan diproses. Tahapan pada pemboboan kaa yaiu sebagai beriku: 1. Term Frequency (TF) Term Frequency merupakan frekuensi kemunculan kaa pada suau dokumen eks. Term Frequency (f,d) didefinisikan jumlah kemunculan erm pada dokumen d. Persamaan dari Term Frequency (f,d) diunjukkan pada Persamaan 1. W f,d = { 1 + log 10 f,d, if f,d > 0 lainnya (1) Keerangan : f. adalah jumlah kemunculan erm pada d dokumen d.

3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer Documen Frequency (DF) Documen Frequency merupakan kaa-kaa yang banyak erdapa pada dokumen, kaa ersebu idak informaif, seperi kaa dan, di, aau, bisa, merupakan. 3. Invers Documen Frequency (IDF) Invers Documen Frequency merupakan frekuensi kemunculan erm pada keseluruhan dokumen eks. Term yang jarang muncul pada keseluruhan dokumen eks memiliki nilai Invers Documen Frequency lebih besar dibandingkan dengan erm yang sering muncul (Rahmawai, Sihwi, & Suryani, 2014). Persamaan dari Invers Documen Frequency (IDF) diunjukkan pada Persamaan 2. N idf log 10( ) (2) df ( ) Dengan : adalah jumlah dokumen eks. adalah jumlah dokumen yang N df () mengandung erm. 4. Term Frequency - Invers Documen Frequency (TF-IDF) Nilai f-idf dari sebuah kaa merupakan kombinasi dari nilai f dan nilai idf dalam perhiungan bobo. Persamaan dari TF-IDF diunjukkan pada Persamaan 3. W W, idf, d f (3) d Keerangan : adalah Term Frequency. W f, d idf adalah Invers Documen Frequency K-Neares Neighbor K-Neares Neighbor (KNN) adalah salah sau meode paling sederhana unuk memecahkan masalah klasifikasi (Adeniyi, Wei, & Yongquan, 2016). Algorime ini sering digunakan unuk klasifikasi eks dan daa (Samuel, Delima, & Rachma, 2014). Pada meode ini dilakukan klasifikasi erhadap obyek berdasarkan daa yang jaraknya paling deka dengan obyek ersebu (Hardiyano & Rahuomo, 2016). Klasifikasi eks menggunakan meode KNN akan menghasilkan nilai yang lebih opimal jika menggunakan rumus cosine similariy unuk pemboboan iap-iap kaa pada dokumen eks yang akan diproses. Sebelum menghiung nilai cosine similariy, harus melakukan ahapan dalam proses pemboboan kaa yaiu f, df, idf, f-idf yang erdapa pada rumus persamaan 1 sampai persamaan 3. Seelah pemboboan kaa selesai, selanjunya yaiu menghiung kemiripan anar dokumen menggunakan rumus cosine similariy. Persamaan dari cosine similariy diunjukkan pada Persamaan 4. CosSim q d q i j 1 ij iq, d (4) j d j q 2 2 w i ij w 1 i1 iq w w Keerangan: CosSim q, d j : Nilai kemiripan anara dokumen uji (q) dengan dokumen laih ke j ( d q w ij w iq : Jumlah erm (kaa) : dokumen : kaa kunci (query) : Bobo erm (kaa) ke i pada dok. d j) laih j : Bobo erm (kaa) ke i pada dok.uji q 2.3. Jumlah Rewee (Non- Teksual) Rewee merupakan salah sau fiur yang ada pada media sosial Twier. Fiur ini berfungsi unuk membagikan aau menyebarkan wee dari pengguna Twier lain aau mengacu pada wee yang didisribusikan kembali. jumlah rewee ini berujuan unuk menambah nilai posiif pada wee yang memiliki banyak rewee, sehingga dapa mempengaruhi nilai senimen pada wee ersebu, dan dapa dikeahui dengan jelas wee apa saja yang memiliki nilai senimen posiif. Jumlah angka rewee dapa memperkua wee memiliki senimen posiif (Perdana & Pinandio, 2017). Jumlah rewee merupakan daa non-eksual yang akan dilakukan seelah klasifikasi KNN selesai dilakukan. Bobo yang akan diberikan, berdasarkan jumlah rewee yang erdapa pada dokumen wee ersebu. Jumlah rewee ersebu akan dilakukan normalisasi menggunakan minmax, agar bobo yang diberikan seimbang dengan bobo eks hasil klasifikasi KNN Normalisasi Min-max Normalisasi Min-max merupakan proses ransformasi yang mana aribu berupa angka akan diskala ke dalam suau ukuran yang lebih kecil, seperi anara -1 sampai 1 aau 0 sampai 1

4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1753 (Junaedi, Budiano, Maryai, & Melani, 2011). Proses normalisasi ersebu akan memudahkan peneliian, karena daa asli akan digani ke dalam benuk lain dengan skala yang sama (Maulana, Saepudin, & Rohmawai, 21016). Meode Min-max merupakan meode yang paling sederhana dalam proses ransformasi linier erhadap daa asli. Seelah dilakukan proses normalisasi Min-max, dapa diperoleh keseimbangan nilai perbandingan anara nilai sebelum dilakukan proses normalisasi dan nilai seelah dilakukan proses normalisasi (Wirawan & Eksisyano, 2015). Persamaan normalisasi Min-max dapa diliha pada Persamaan 5. v i = v i min A (new_max max A min A new_min A ) + new_min A A (5) Keerangan : v i : Nilai daa yang baru dari hasil normalisasi min-max. v i : Nilai daa yang akan dilakukan normaliasi. max A : Nilai maksimum daa. min A : Nilai minimum daa. new_max A : Nilai maksimum yang diharapkan dari proses normalisasi (9). new_min A : Nilai minimum yang diharapkan dari proses normalisasi (1) Penggabungan Teksual dan Non-Teksual Penggabungan pemboboan eksual dan non-eksual merupakan ahapan akhir unuk mengeahui senimen posiif aau negaif pada proses klasifikasi yang melakukan kombinasi anara pemboboan eksual dan non-eksual (Perdana & Pinandio, 2017). Penggabungan dilakukan pada pemboboan eksual dan pemboboan non-eksual menggunakan nilai konsana erenu sebagai nilai pembanding dalam menggunakan pemboboan eksual dan non-eksual. Rumus unuk penggabungan pemboboan eksual dan non-eksual dapa diliha pada Persamaan 6 (Perdana & Pinandio, 2017). PenggabC j = (α TeksC j ) + (β NonTeksC j ) (6) Keerangan : α : Konsana pengali sebagai pembanding unuk pemboboan eksual. TeksC j : Nilai cosine similariy hasil klasifikasi KNN. β : Konsana pengali sebagai pembanding unuk pemboboan noneksual. NonTeksC j : Nilai pemboboan jumlah Rewee. Gambar 1. merupakan diagram alur dari sisem yang dibua. Masukan : Dok. laih dan uji Mulai Masukan : Dok. Laih dan uji Praproses eks Klasifikasi eks (KNN) Jumlah Rewee Penggabungan Keluaran : Dok. Posiif aau Negaif Selesai Gambar 1. Diagram Alur Sisem 3. HASIL DAN PEMBAHASAN 3.1. Pengujian Pengaruh Nilai k Pengujian pengaruh nilai k dilakukan unuk mengeahui nilai k opimal unuk melakukan proses klasifikasi KNN erhadap hasil akurasi sisem. Pada pengujian ini menggunakan nilai k yang bervariaif. Seiap nilai k yang digunakan, akan menjadi parameer dari pengujian, sehingga dapa dikeahui pengaruh nilai k ersebu erhadap akurasi sisem. Pada pengujian pengaruh nilai k, nilai konsana α dan β yang digunakan masingmasing 5. Uji coba perhiungan nilai k dilakukan sebanyak 20 kali sampai sejumlah daa laih yaiu 280. Hasil dari pengujian pengaruh nilai k erdapa pada Tabel 1.

5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1754 Tabel 1. Pengujian Nilai k No Nilai F- Accuracy Precision Recall k Measure % 62,76% 98,33% 76,62% % 72,28% 100% 83,91% ,50% 64,51% 100% 78,43% ,66% 63,82% 100% 77,92% ,50% 64,51% 100% 78,43% ,66% 63,82% 100% 77,92% ,33% 65,21% 100% 78,94% ,16% 65,93% 100% 79,47% ,16% 61,85% 100% 76,43% ,83% 59,40% 100% 74,53% ,50% 57,14% 100% 72,72% ,50% 57,14% 100% 72,72% ,66% 56,60% 100% 72,28% % 52,63% 100% 68,96% ,50% 51,28% 100% 67,79% ,66% 584% 100% 67,41% ,66% 584% 100% 67,41% % 50% 100% 66,67% % 50% 100% 66,67% % 50% 100% 66,67% Berdasarkan pada Tabel 1, maka dapa dilakukan analisis : 1. Pada pengujian pengaruh nilai k menunjukkan bahwa nilai k opimal unuk melakukan proses klasifikasi KNN adalah k=3, dengan ingka akurasi mencapai 883%, precision mencapai 72,28%, recall mencapai 100%, dan f-measure mencapai 83,91%. Sedangkan nilai k yang menghasilkan akurasi paling rendah yaiu k=10 k=20 dan k=28 karena jumlah keeanggaan yang erlalu banyak sehingga mengurangi ingka akurasi. 2. Nilai recall pada nilai k=3 sampai k=280 mencapai nilai 100% karena hasil keluaran sisem idak memiliki nilai false negaif. Sedangkan unuk nilai precision pada semua nilai k yang diuji memiliki nilai yang berbeda-beda. Semakin banyak nilai false posiif pada hasil keluaran sisem, maka semakin kecil nilai precision yang dihasilkan, dan semakin banyak nilai false negaif pada hasil keluaran sisem, maka semakin kecil nilai recall yang dihasilkan. 3. Pada pengujian ini, nilai k yang diuji idak memperhaikan jumlah ganjil maupun genap, karena semua eangga dari daa uji sejumlah k, akan dikelompokkan berdasarkan kaegori posiif dan negaif, kemudian nilai kemiripannya yaiu hasil penggabungan bobo eksual dan noneksual akan dijumlahkan, dan dibandingkan nilai mana yang paling besar, apakah nilai unuk kaegori posiif aau negaif Pengujian Pengaruh Rewee Pada pengujian pengaruh pemboboan jumlah Rewee, nilai konsana α dan β akan dilakukan perbandingan sebanyak 11 kali dengan jarak 0-1 aau dengan keenuan β=(1-α). Konsana α merupakan konsana yang akan dikali dengan pemboboan eks, sedangkan konsana β merupakan konsana yang akan dikali dengan pemboboan jumlah rewee. Sehingga, jika nilai konsana α= maka proses klasifikasi hanya menggunakan pemboboan jumlah rewee saja. Sedangkan jika nilai konsana β= maka proses klasifikasi hanya menggunakan pemboboan eks saja. Nilai k yang digunakan adalah nilai k opimal, hasil dari pengujian yang elah dilakukan sebelumnya yaiu k=3. Hasil dari pengujian pengaruh pemboboan jumlah rewee erdapa pada Tabel 2. Tabel 2. Pengujian Pengaruh Jumlah Rewee Konsan a F- No Accurac Precisio Β Recall Measur. y n α (1- e α) ,50% 77,46% 91,66 % 83,96% ,33% 77,02% 95% 85,07% 3. 96, ,33% 76,31% 8 % 85,29% ,50% 74,07% 100% 85,10% ,50% 74,07% 100% 85,10% % 72,28% 100% 83,91% ,83% 67,41% 100% 853% ,16% 58,25% 100% 73,61% ,66% 56,60% 100% 72,28% % 56,07% 100% 71,85% % 55,56% 100% 71,42% Berdasarkan pada Tabel 2, maka dapa dilakukan analisis : 1. Pada pengujian pengaruh pemboboan jumlah rewee menunjukkan bahwa nilai α dan β yang opimal sebagai konsana perkalian unuk melakukan proses penggabungan pemboboan eksual dan non-eksual yaiu α=8 dan β=2 menghasilkan ingka akurasi yang inggi mencapai 83,33%, precision mencapai

6 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer ,31%, nilai recall idak mencapai 100%, hanya mencapai 96,67%, dan f-measure mencapai 85,29%. 2. jumlah rewee erbuki memiliki pengaruh pada hasil klasifikasi dan ingka akurasi sisem dengan nilai konsana α dan β yang epa yaiu perbandingan anara keduanya harus lebih inggi nilai konsana α daripada konsana β. Kondisi ersebu membukikan bahwa pemboboan eks lebih berperan daripada pemboboan jumlah rewee. Penambahan pemboboan jumlah rewee dapa meningkakan nilai accuracy, precision, recall, dan f-measure meskipun hasilnya idak erlalu signifikan Pengujian Akurasi Sisem Pada pengujian akurasi sisem ini perbandingan daa laih dan daa uji yang digunakan yaiu 70% unuk daa laih dan 30% unuk daa uji (Faradhillah, Kusumawardani, & Hafidz, 2016). Jumlah daa laih dan daa uji yang digunakan yaiu 280 dan 120 (Samuel, Delima, & Rachma, 2014). Kemudian pada pengujian ini akan membandingkan ingka akurasi sisem hanya menggunakan pemboboan eksual, hanya menggunakan pemboboan noneksual, dan penggabungan pemboboan eksual dan non-eksual. Nilai k yang digunakan unuk melakukan pengujian akurasi sisem adalah k=3, dan nilai konsana yang digunakan α=8 dan β=2. Parameer pengujian yang digunakan yaiu Accuracy, Precision, Recall, dan F-Measure. Confusion Marix dan hasil dari pengujian akurasi sisem erdapa pada Tabel 3 dan Tabel 4. Tabel 3. Confusion Marix Pengujian Akurasi Sisem True Posiif False Posiif True Negaif False Negaif Teksual Non- Teksual Penggabungan Teksual dan Non-Teksua Tabel 4. Hasil Pengujian Akurasi Sisem Teksual Non- Teksual Penggabungan Teksual dan Non-Teksual Accurac y 82,50% 60% 83,33% Precisio n 77,46% 55,55% 76,31% Recall 91,66% 100% 96,66% F- Measure 83,96% 71,42% 85,29% Dari hasil pengujian ersebu dapa diliha grafik pengujian akurasi sisem yang diampilkan dalam Gambar % 95% 90% 85% 80% 75% 70% 65% 60% 55% 50% Hasil Pengujian Akurasi Sisem Teksual Non-Teksual Penggabungan Teksual dan Non-Teksual Gambar 2. Grafik Pengujian Akurasi Sisem Berdasarkan pada Gambar 2, maka dapa dilakukan analisis : 1. Pada pengujian yang dilakukan hanya menggunakan pemboboan eksual saja, menghasilkan nilai accuracy mencapai 82,50%. Tingka akurasi cukup inggi meskipun idak diambahkan pemboboan non-eksual. Namun pada pengujian ini erdapa false negaif sebanyak 5. False negaif merupakan dokumen uji yang seharusnya masuk pada kaegori posiif, namun hasil analisis sisem menghasilkan keluaran negaif. Agar jumlah false negaif berkurang, sebaiknya diambahkan pemboboan non-eksual agar memperkua nilai posiif pada dokumen uji ersebu, sehingga dapa meningkakan nilai akurasi. 2. Pada pengujian yang dilakukan hanya menggunakan pemboboan non-eksual

7 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1756 saja, menghasilkan ingka akurasi paling rendah yaiu 60%. Hal ersebu erjadi karena pemboboan eksual idak dilakukan perhiungan unuk proses penggabungan, sehingga dokumen uji yang idak memiliki jumlah Rewee akan diberikan bobo 1, karena pada normalisasi jumlah Rewee, nilai minimum diberikan bobo 1. Hal ersebu menghasilkan jumlah false posiif sebanyak 16, yang mengakibakan ingka akurasi yang rendah. Nilai recall keika menggunakan pemboboan non-eksual dapa mencapai 100% karena idak erdapa false negaive, sehingga nilai recall dapa mencapai 100%. 3. Pada pengujian yang dilakukan penggabungan pemboboan eksual dan non-eksual dengan nilai konsana α=8 dan β=2 memperoleh nilai accuracy paling inggi dianara pemboboan eksual dan non-eksual saja meskipun selisihnya idak erlalu signifikan yaiu mencapai 83,33%. Kondisi ersebu erjadi karena penambahan pemboboan non-eksual yang digabungkan dengan pemboboan eksual dapa memperkua nilai posiif pada dokumen uji, yang mengakibakan jumlah false negaif berkurang, sehingga dapa meningkakan nilai akurasi. Hal ersebu menunjukkan bahwa penambahan pemboboan non-eksual dapa mempengaruhi ingka akurasi dari sisem. 4. KESIMPULAN Dari hasil pengujian dan analisis yang elah dilakukan sebelumnya, maka dapa diambil suau kesimpulan, yaiu : 1. Meode KNN dan pemboboan jumlah rewee dapa dierapkan pada analisis senimen erhadap ayangan elevisi berdasarkan opini masyaraka pada media sosial Twier. Tahapan proses yang dilakukan yaiu pemboboan eksual, pemboboan jumlah rewee (non-eksual) yang dinormalisasi Min-max, kemudian penggabungan anara keduanya sehingga dapa dikeahui dokumen yang elah dilakukan proses klasifikasi bernilai posiif aau negaif. 2. Nilai k opimal unuk melakukan proses klasifikasi KNN adalah k=3, dengan ingka akurasi mencapai 883%, precision mencapai 72,28%, recall mencapai 100%, dan f-measure mencapai 83,91%. 3. Pengujian nilai konsana α dan β mendapanya nilai α dan β yang opimal yaiu α=8 dan β=2 dengan menggunakan nilai k=3, menghasilkan ingka akurasi mencapai 83,33%, precision mencapai 76,31%, nilai recall mencapai 96,67%, dan f-measure mencapai 85,29%. Nilai konsana α dan β yang epa yaiu perbandingan anara keduanya harus lebih inggi nilai konsana α daripada konsana β. Kondisi ersebu membukikan bahwa pemboboan eks lebih berperan daripada pemboboan jumlah Rewee. Penambahan pemboboan jumlah Rewee dapa meningkakan nilai accuracy, precision, recall, dan f-measure meskipun hasilnya idak erlalu signifikan. 4. Tingka akurasi keika menggunakan pemboboan eksual mencapai 82,50%, keika menggunakan pemboboan noneksual mencapai 60%, sedangkan keika menggunakan penggabungan keduanya mencapai 83,33%. Nilai k yang digunakan yaiu k = 3 yang merupakan k opimal, dan konsana α=8 dan β=2. Dapa disimpulkan bahwa penggabungan pemboboan eksual dan pemboboan noneksual dapa meningkakan akurasi sisem. DAFTAR PUSTAKA Adeniyi, D., Wei, Y., & Yongquan, Y. (2016). Auomaed web usage daa mining and recommendaion sysem using. Applied Compuing and Informaics, 12, Fachruddin, A. (2016). Manajemen Perelevisisan Indonesia Modern. Yogyakara, Jawa Tengah. Faradhillah, N. T., Kusumawardani, R. P., & Hafidz, I. (2016). Eksperimen Sisem Klasifikasi Analisa Senimen Twier Pada Akun Resmi Pemerinah Koa Surabaya Berbasis Pembelajaran Mesin. Seminar Nasional Sisem Informasi Indonesia. Hardiyano, E., & Rahuomo, F. (2016). Sudi Awal Klasifikasi Arikel Wikipedia Bahasa Indonesia Dengan Menggunakan Meoda K-Neares Neighbor. Seminar Nasional Terapan Rise Inovaif Semarang. Semarang.

8 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1757 Junaedi, H., Budiano, H., Maryai, I., & Melani, Y. (2011). Daa Transformaion pada Daa Mining. Surabaya: IdeaTech2011. Liu, B. (2012). Senimen Analysis And Opinion Mining. Diakses pada anggal : 27 Februari 2017, Tersedia di hps:// menanalysis-and-opinionmining.pdf Maulana, M. F., Saepudin, D., & Rohmawai, A. A. (21016). Pemodelan Sisem Dinamika Anara Suku Bunga Bank Indonesia, Kurs Dolar Terhadap Rupiah, dan Inflasi dengan Algorima Geneika dan Runge Kua. Bandung: Universias Telkom. Perdana, R. S., & Pinandio, A. (2017). Combining Likes-Rewee Analysis and Naive Bayes Classifier Wihin Twier for Senimen Analysis. Inernaional Conference On Communicaion And Compuer Engineering. Penang, Malaysia: Journal of Telecommunicaion, Eleronic And Compuer Engineering (JTEC). Samuel, Y., Delima, R., & Rachma, A. (2014). Implemenasi Meode K-Neares Neighbor dengan Decision Rule unuk Klasifikasi Subopik Beria. 1 hal Tiara, Sabariah, M. K., & Effendy, V. (2015). Analisis Senimen pada Twier unuk Menilai Performansi Program Televisi dengan Kombinasi Meode Lexicon- Based dan Suppor Vecor Machine. 3rd Inernaional Conference on Informaion and Communicaion Technology (ICoICT) (hal ). Bandung: Universias Telkom.