Institut Riset dan Publikasi Indonesia (IRPI) MALCOM: Indonesian Journal of Machine Learning and Computer Science Journal Homepage: https://journal.
id/index.
php/malcom Vol.
3 Iss.
2 October 2023, pp: 324-330
ISSN(P): 2797-2313 | ISSN(E): 2775-8575
Implementation K-Nearest Neighbor Algorithm for Sentiment Analysis on Khilafah and Radicalism Issues in Indonesia Penerapan Algoritma K-Nearest Neighbor untuk Analisis Sentimen Terhadap Isu Khilafah dan Radikalisme di Indonesia Legito1.
Nindi Permata Riau2.
Adi Nugroho Susanto Putro3.
Eri Mardiani4.
Nofri Yudi Arifin5.
Sepriano6.
Moh.
Erkamim7 Program Studi Teknik Informatika.
Sekolah Tinggi Teknologi Sinar Husni Deliserdang Sumatera Utara.
Indonesia Program Studi Sistem Informasi.
Sains dan Teknologi.
UIN Sultan Syarif Kasim Riau.
Indonesia STAB Negeri Raden Wijaya.
Wonogiri.
Jawa Tengah.
Indonesia Program Studi Informatika.
Fakultas FTKI.
Universitas Nasional.
Indonesia Program Studi Teknik Informatika.
Universitas Ibnu Sina.
Indonesia Program Studi Sistem Informasi.
Universitas Islam Negeri Sulthan Thaha Saifuddin Jambi.
Indonesia Program Studi Sistem Informasi Kota Cerdas.
Universitas Tunas Pembangunan Surakarta.
Indonesia E-Mail: 1legitostt@gmail.
com, 2nindipermata.
riau@gmail.
com, 3adinug@radenwijaya.
erimardiani1@gmail.
com, 5nofri.
yudi@uis.
id, 6sepriano@uinjambi.
id, 2erkamim@lecture.
Received Jul 2nd 2023.
Revised Sept 14th 2023.
Accepted Oct 28th 2023 Corresponding Author: Legito Abstract As technology advances, social media is an alternative for obtaining and disseminating information quickly.
One of the social media that is currently used is twitter.
There are many topics discussed, one of which is the Khilafah.
The Khilafah is a political institution that cannot be isolated from political activity, which emerged after the death of the Prophet to be able to continue his leadership.
Khilafah is usually associated with Radicalism.
Opinions about the caliphate and radicalism have never stopped being discussed among the public, therefore sentiment analysis is needed to analyze public responses in Indonesia regarding the caliphate statement.
This sentiment analysis uses the K-Nearest Neighbor Algorithm or K-NN.
Based on the results that have been carried out, it shows that the K-NN algorithm obtains high accuracy results 11% and 88.
2% on each of the Khilafah and Radicalism keywords using 5000 data contained on twitter.
Keywords: Khilafah.
K-Nearest Neighbor.
Radicalism.
Sentiment Analysis.
Twitter Abstrak Seiring dengan majunya teknologi, media sosial merupakan salah satu alternatif untuk mendapatkan dan menyebarkan informasi dengan cepat.
Salah satu media sosial yang saat ini digunakan yaitu Twitter.
Terdapat banyak topik yang diperbincangkan salah satunya mengenai Khilafah.
Khilfah merupakan suatu institusi politik yang tidak dapat diasingkan dari aktivitas politik, dimana munculnya setelah sepeninggal Rasulullah untuk dapat meneruskan kepemimpinannya.
Khilafah biasanya dikaitkan dengan yang namanya Radikalisme.
Opini tentang khilafah dan radikalisme tidak pernah berhenti diperbincangkan dikalangan masyarakat, oleh karena itu dibutuhkan analisa sentimen untuk menganalisa tanggapan masyarakat di Indonesia mengenai pernyataan khilafah tersebut.
Analisa sentimen ini menggunakan Algoritma K-Nearest Neighbor atau K-NN.
Berdasarkan hasil yang telah dilakukan menunjukkan bahwa Algoritma K-NN memperoleh hasil akurasi yang tinggi yaitu 92.
11% dan 88,2% pada masing-masing kata kunci Khilafah dan Radikalisme dengan menggunakan 5000 data yang terdapat pada twitter.
Kata Kunci: Analisis Sentimen.
Khilafah.
K-Nearest Neighbor.
Radikalisme.
Twitter.
PENDAHULUAN
Seiring dengan majunya teknologi pada masa modern ini, media sosial menjadi alternatif baru untuk menebarkan opini salah satunya tentang khilafah .
Salah satu contoh media sosial yang aktif dan banyak DOI: https://doi.
org/10.
57152/malcom.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575
digunakan oleh berbagai kalangan adalah twitter.
Dalam sosial media saat ini dinilai banyak memberikan informasi tentang pendapat postingan seseorang yang dibuktikan dengan adanya beberapa penelitian yang menggunakan data twitter sebagai bahan utama untuk menganalisis sentimen opini seseorang .
Khilafah atau negara islam merupakan institusi politik yang tidak dapat diasingkan dari aktivitas politik .
Istilah khilafah dalam terminologi politik muncul setelah sepeninggal Rasulullah karena umat Islam merasa perlu melanjutkan kepemimpinannya .
Konsep dasar khilafah telah ditetapkan oleh Allah SWT dalam Alquran surat Al-Baqarah: 30 .
Khilafah yang ideal memiliki tiga ungsur yaitu pemimpin yang dapat dipercaya, adanya dominasi syariat islam dan fuqaha atau ahli agama, dan yang ketiga yaitu adanya proses yang memungkinkan setiap orang memiliki peluang menjadi khilafah .
Biasanya khilafah akan bersinggungan dan berkaitan erat dengan yang namanya Radikalisme.
Penelitian ini seperti halnya penelitin-penelitian terdahulu akan melakukan analisis sentimen terhadap opini seseorang dari tweet yang mereka unggah pada laman twitter dengan memanfatkan teknologi text mining.
Analisis yang dimaksud adalah untuk mengetahui keberpihakan seseorang apakah teridentifikasi dari golongan menyetujui atau tidak setuju dengan konsep khilafah.
Sentiment analysis merupakan salah satu bidang dari Natural Languange Processing (NLP) yang membangun sistem untuk mengenali dan meringkas opini dalam bentuk teks .
Analisis Sentimen disebut juga opinion mining, yaitu suatu proses memahami, mengekstrak dan mengolah data teks untuk mendapat informasi .
Hasil akhir dari penelitian ini yang ingin dicapai adalah suatu opini dari masyarakat secara luas yang berhubungan dengan konsep khilafah dalam bentuk persepsi negatif, positi atau netral.
Analisis sentimen berdasar klasifikasinya ada 2 yaitu dari dokumen klasifikasi ke pendapat atau fakta yang disebut klasifikasi subjektifitas dan dari dokumen ke klasifikasi ke dalam positif dan negatif .
Difusi besar dan peran era teknologi dalam masyarakat modern merupakan salah satu hal baru yang paling menarik dalam beberapa tahun terakhir, menarik minat para peneliti, jurnalis, perusahaan, dan pemerintah .
Algoritma text mining ini digunakan karena dalam pengerjaannya dapat mengubah setiap kata dan huruf dari dokumen menjadi data numerik.
Text mining dipercaya menjadi salah satu Algoritma untuk seleksi fitur dokumen yang baik dan banyak digunakan oleh para peneliti.
Salah satu peneliti yang melakukan analisis sentimen media sosial twitter menggunakan teknik text mining yaitu Eko Yulian yang melakukan analisis arsip dengan melakukan clustering pada dokumen menggunakan menggunakan K-means clustering .
Selain itu, terdapat penelitian yang dilakukan oleh Ozturk dan kawan-kawan yang menganalisis sentimen twitter terhadap krisis yang terjadi di suriah lewat postingan yang dilakukan masyarakat.
Penelitian lain mengenai text mining juga dilakukan oleh Zannah yang menganalisis lokasi pengaruh ISIS melalui media sosial twitter menggunakan text mining.
Hal ini membuktikan bahwa teknik text mining menjadi tools yang tepat untuk suatu kasus analisis sentimen .
Pada penelitian ini akan digunakan Algoritma K-Nearest Neighbor (K-NN) untuk melakukan klasifikasi data dokumen sekaligus mengetahui adanya postingan yang berkaitan dengan khilafah dan radikalisme.
Algortima K-NN merupakan sebuah algoritma yang digunakan untuk melakukan klasifikasi terhadap objek baru berdasarkan tetangga terdekatnya dan kelas yang paling banyak muncul yang akan menjadi kelas hasil klasifikasi .
Kelebihan dari K-NN adalah dapat digunakan dalam memecahkan permasalahan multiclass yang terjadi .
Namun, pada Algoritma K-NN memiliki masalah untuk menemukan tetangga terdekat pada titik query dari dataset yang digunakan .
Pada penelitian sebelumnya yang dilakukan Salam dan kawan-kawan tahun 2018 menghasilkan pengujian klasifikasi analisa sentimen dokumen komentar pada jasa ekspedisi barang (J&T) di facebook menggunakan algoritma K-NN yang memiliki accuracy tertinggi yaitu 79,21% dengan jumlah dokumen training 101 sedangkan accuracy terendahnya adalah 70,3% .
Penelitian lainnya yang dilakukan Wisnu dan kawan-kawan tahun 2019 tentang analisis sentimen dan penambangan opini dilakukan untuk melihat kepuasan masyarakat menuju layanan pembayaran digital di Indonesia (OVO.
GO-PAY dan LinkAj.
menggunakan data twitter dan menggunakan dua algoritma Naive bayes dan K-NN.
Penelitian ini menemukan bahwa K-NN memiliki akurasi yang lebih baik daripada Naive Bayes .
Penelitian selanjutnya yang dilakukan oleh Widagdo dan kawan-kawan tahun 2023 tentang sistem Monitool oleh divisi digital marketing PT Lingkar9 Titian Media berfokus pada pemantauan dan analisis merek di media sosial dan portal berita.
Monitool menggunakan metode K-NN untuk mengukur reputasi suatu merek.
Setelah diproses, sistem akan mengeluarkan resume sentimen yang terdiri dari sentimen negatif, positif, dan Hasil akurasi prediksi data pengujian saat ini adalah 81% .
Berdasarkan penelitian yang membuktikan bahwa K-NN berhasil dalam melakukan klasifikasi dengan baik pada kasus text mining, maka pada penelitian ini akan dilakukan percobaan dengan menggunakan algoritma K-NN untuk memperoleh model dan akurasi klasifikasi yang baik dan optimum.
Penelitian ini melakukan analiasis sentimen terhadap tweet seseorang di twitter untuk mengetahui apakah opini yang seseorang unggah teridentifikasi dari golongan masyarakat yang menyetujui atau tidak mengenai sistem pemerintahan khilafah.
MALCOM - Vol.
3 Iss.
2 October 2023, pp: 324-330 MALCOM-03.
: 324-330
METODOLOGI PENELITIAN
Adapun metodologi yang diterapkan pada penelitian ini ditujukan pada gambar 1.
Pengumpulan Data Tahap awal dalam melakukan proses analisis sentimen yaitu pengumpulan data.
Data yag digunakan pada penelitin ini yaitu data tweet pada twitter dengan cara melakukan crawling data degan keyword khilafah dengan rentang waktu dari 1 Februari 2022 - 30 Desember 2022 dengan menghasilkan 5000 data.
Setelah data dikumpulkan tahap selanjutnya yaitu melakukan prepocessing data, pada tahapan ini terdiri dari beberapa proses yaitu tokenezation, cleaning, dan filtering.
Mulai Pengumpulan Data Preprocessing Pembobotan TF-IDF Pemisahan Data Training dan Data Testing K-NN Uji Akurasi Selesai Gambar 1.
Metodologi Penelitian Preprocessing Data Pada tahap pre-processing data, data tweet mentah terlebih dahulu dilakukan proses case folding, tokenizing, stemming, serta filtering.
Hasil dari tahapan ini menghasilkan fitur yang digunakan sebagai data pembelajaran mesin oleh K-NN.
Dalam tahapan preprocessing, terdiri dari proses case folding, tokenizing, stemming dan filtering.
Pada tahap preprocessing data merupakan suatu proses untuk melakukan persiapan pada data mentah sebelum dilakukkannya analisis data.
pada tahapan ini preprocessing menggunakan tools jupyter notebook dengan bahasa pemograman phyton untuk memperoleh data yang akan diproses.
Pada tahapan preprocessing terdiri dari beberapa proses cleaning, filtering dan tokenizing.
Pembobotan Kata Pembobotan kata adalah sebuah mekanisme yang memberikan skor terhadap frekuensi kemunculan sebuah kata dalam dokumen teks.
Salah satu Algoritma dalam pembobotan kata yaitu Term Frequency-inverse document frequency (TF-IDF).
Secara lengkap dapat ditunjukkan pada tabel 1.
Tabel 1.
Hasil TF-IDF
Adab
0,000
0,000
0,477
0,000
0,000
Aqidah
0,000
0,794
0,000
0,000
0,000
Alam
0,000
0,000
0,611
0,000
0,000
Budaya
0,000
0,000
0,000
0,000
0,000
Berkah
0,337
0,000
0,000
0,000
0,000
Rasis 0,000 0,000 0,000 0,538 A 0,000 Dataset ini dihimpun dengan menggunakan bahasa pemrograman python pada google colab, pengambilan data dengan proses crawling dengan memasukkan kata kunci #khilafah dan #radikalisme yang tranding sejak tahun 2014 lalu hingga sekarang.
Penerapan Algoritma K-Nearest Neighbor untuk Analisis.
(Legito et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575 Text Mining Text mining dapat didefinisikan sebagai suatu proses menggali informasi dimana seorang user berinteraksi dengan sekumpulan dokumen menggunakan tools.
Tujuan dari text mining adalah agar mendapatkan informasi yang berguna dari beberapa dokumen .
Teknik yang digunakan dalam penyelesaian Text mining yaitu klasifikasi, clustering, infromation extraction dan information retrievel .
Analisa Sentimen Sentiment analysis merupakan salah satu bidang dari Natural Languange Processing (NLP) yang membangun sistem untuk mengenali dan mengekstraksi opini dalam bentuk teks .
Dengan bantuan sentiment analysis, informasi yang tadinya tidak terstruktur dapat diubah menjadi data yang lebih terstruktur .
Analisis sentimen berdasar klasifikasinya ada 2 yaitu dari dokumen klasifikasi ke pendapat atau fakta yang disebut klasifikasi subjektifitas dan dari dokumen ke klasifikasi ke dalam positif dan negatif .
Saat ini, analisis sentimen telah mendapatkan nilai lebih dengan munculnya jejaring sosial .
K-Nearest Neighbor Algortima K-NN merupakan sebuah algoritma untuk melakukan klasifikasi terhadap objek baru berdasarkan tetangga terdekatnya dan kelas yang paling banyak muncul yang akan menjadi kelas hasil klasifikasi .
Kelebihan dari K-NN adalah dapat digunakan untuk memecahkan permasalahan multiclass.
Namun.
K-NN memiliki masalah untuk menemukan tetangga terdekat pada titik query dari dataset yang digunakan .
Menurut Gorunescu.
Algoritma Nearest Neighbor .
adang disebut K-nearest Neighbor atau K-NN) merupakan Algoritma yang melakukan klasifikasi berdasarkan kedekatan lokasi .
suatu data dengan data yang lain .
Dekat atau jauhnya lokasi .
biasanya dihitung berdasarkan jarak Euclidean dengan rumus sebagai berikut:
= OoycnycA 1 .
cUycnyco ycUycyco ))2 .
= data testing ke-i pada variabel ke-l = data training ke-i pada variabel ke-l d.
i,x.
= jarak N = dimensi data variabel bebas diff.
il,xj.
= difference atau ketidaksamaan.
K-NN merupakan salah satu Algoritma yang populer untuk menghasilkan klasifikasi teks .
yaitu dengan melakukan proses pembelajaran dari data latih untuk menentukan kelompok k objek.
Sehingga dalam menentukan hasil klasifikasi K-NN melihat jarak terdekat dari objek dengan masing-masing kelompok.
Jarak tersebut diperoleh dari hasil kedekatan antara data masukan dengan data yang berada dalam kelompok berdasarakan nilai sejumlah fitur yang ada .
Khilafah dan Radikalisme Wakil Presiden RI.
MaAoruf Amin menyatakan bahwa khilafah adalah isu yang berpotensi merusak tatanan bernegara dan menimbulkan radikalisme.
Eksistensi khilafah merupakan realita dalam sejarah peradaban Islam dan wacana khilafah yang awalnya merupakan ekspresi keagamaan sebagian kelompok umat Islam, kemudian diidentikkan sebagai ancaman eksistensial yang membahayakan negara .
Perkembangan wacana mengenai khilafah digambarkan sebagai perang mindset dari kelompok Radikalisme menjadi permasalahan yang serius di Indonesia .
HASIL DAN PEMBAHASAN
Hasil dari peneltian ini dapat dibagi menjadi tiga bagian.
Yaitu hasil pengujian akurasi Algoritma Nayve Bayes Classifier, hasil persebaran tweet, hasil analisis sentimen terhadap khilafah, dan terakhir adalah perbandingan dengan data aktual.
Pelabelan Pelabelan merupakan salah satu proses text mining, dimana pelabelan ini digunakan untuk mengkategorikan kalimat termasuk kategori positif, negatif, atau netral terhadap khilafah.
Proses ini dilakukan setelah proses crawling data melalui aplikasi anaconda dengan menentukan 3 kategori yaitu:
Positif: merupakan tweet yang berisi penolakan pembentukan ideologi khilafah dan tetap mendukung Pancasila.
Negatif: merupakan tweet yang berisi tentang pendukungan antas ideologi baru khilafah da menolak Netral: merupakan tweet yang berisi tentang tidak berada dikeduanya.
MALCOM - Vol.
3 Iss.
2 October 2023, pp: 324-330 MALCOM-03.
: 324-330
Tabel 2 merupakan pelabelan data dari proses preprocessing dengan menggunakan google colab, sebagai bahan acuan penelitian ini mengunakan pakar Bahasa Indonesia untuk memvalidasi dan menentukan sentimen positif, negatif dan netral.
Tabel 2.
Preprocessing Data Stemming Kebanyakan orang menganggap bahawa ini semua jahat kan kwwkkw padahal coba belajar agama lagi deh Banyak bacot nampaknya kirain penghamba siapa itu ulu ulu makanya bos jangan belajar agama di amerika Salang arah dan keblinger, masak pancasila dibandingkan sama quran, padahal orang3 orang yang satu kolam itu Kami menolak khilafah dan radikalisme di indonesia Islam tidak mengajarkan kejahtan bang, kalau pun jahat itu oknum jangan dicampur aduk ye Count Sentimen Positif Negatif Negatif Netral Positif Setelah melakukan pelebelan data maka diproleh data positif sebanyak 1.
354 tweets, negatif 1.
tweets dan netral 2.
106 tweets.
Pengujian K-Nearest Neighbor Setelah melakukan pelebelan, maka dilakuka pengujian menggunkan K-NN dengan google colab.
Pengujian dilakukan dengan cara membagi data training menjadi 70% dan data testing sebanyak 30% demikian juga dengan beberapa persobaan yang lain yaitu 80% : 20% dan 90% : 10%.
Dari hasil pengujian didapatkan akurasi sebesar 92.
11% untuk 70% : 30%, selanjutnya dapat dilihat pada tabel 3.
Tabel 3.
Akurasi Percobaan dengan Skema 1 (Khilafa.
Percobaan Akurasi
0,8702
0,8324
0,9211
Error
0,0321
0,0472
0,0564
Waktu Proses .
Tabel 4.
Akurasi Percobaan dengan Skema 2 (Radikalism.
Percobaan Akurasi
0,8802
0,8451
0,8823
Error
0,0725
0,0639
0,0681
Waktu Proses .
Dari tabel 3 dan 4 dapat disimpulkan bahwa kaurasi KNN berada pada percobaan 70% dan 30% untuk data training dan testing.
Hal ini tidak membuktikan bahwa semakin sedikit data training akan semakin lebih baik dalam proses percobaan.
Tabel tersebut juga menyatakan bahwa waktu proses dan error dalam setiap percobaan tidak selalu konstan juga.
Dalam penelitian lajutan diharapkan untuk dapat mencobakan dengan beberapa algortima klasifikasi yang sejenis untuk dapat membuktikan tingkat konstan jika menggunakan data Analisis Sentimen terhadap Khilafah dan Radikalisme Dari percobaan menggunakan keyword Khilafah dengan Nilai K terbaik dan dengan data testing 30% atau data training 70%, diperoleh nilai sentimen masyatakat yang ditunjukkan pada gambar 2.
Khilafah Negatif Positif Netral Gambar 2.
Hasil Sentimen Masyarakat terhadap Keyword Khilafah dengan K Terbaik Penerapan Algoritma K-Nearest Neighbor untuk Analisis.
(Legito et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575 Radikalisme Negatif Positif Netral Gambar 3.
Hasil Sentimen Masyarakat terhadap Keyword Radikalisme dengan K Terbaik Gambar 2 dan 3 menunjukkan bahwa respon dari masyarakat secara nasional menyatakan bahwa kedua kata kunci yang digunakan dalam riset berbasis sentimen memiliki tingkat keragu-raguan yang tinggi atau sering dikatan netral atapun tidak memiliki pengaruh apapun terhadap objek yang dibahas.
Dari gambar tersebut netral hampir 70% dalam menanggapi topik yang berkaitan dengan Kilafah dan Radikalisme, selebihnya adalah 18% dan 13% adalah Negatif dan Positif.
KESIMPULAN
Penelitian ini menggunakan dataset sejumlah 5000 data hasil crawling twitter dengan menggunakan 2 kata kunci khilafah dan radikalisme.
Dari serangkaian percobaan sentimen analisis menunjukkan bahwa hampir 70% masyarakat indonesia menanggai hanya dengan netral terkait persoalan khilafah dan radikalisme di Indonesia.
Secara umum, hanya sekitar 18 dan 13 yang menanggapi selain netral.
Percobaan dilakukan dengan menggunakan algoritma K-NN dibagi dalam 3 bagian percobaan pada teknik pembagian data dan dengan jumlah K sebanyak 10 percobaan.
Hasil penelitian tersebut memperoleh akurasi yaitu 92,11% dan 88,23% untuk kedua kata kunci yang digunakan.
Dalam penelitian tersebut juga membandingkan error dan waktu proses algoritma, dengan hasil terbaik minimum error 3,2% dengan waktu proses tercepat adalah 877 detik dalam setiap proses.
REFESENSI
Puandina.
Aryani, and I.
Studies.
AuKonseling Lintas Agama dan Budaya dalam Fenomena Hijrah dan Perilaku Beragama Milenial di Media Sosial,Ay vol.
9, pp.
376Ae385, 2023.
Yue.
Chen.
Li.
Zuo, and M.
Yin.
AuA survey of sentiment analysis in social media,Ay Knowl.
Inf.
Syst.
, vol.
60, no.
2, pp.
617Ae663, 2019, doi: 10.
1007/s10115-018-1236-4.
Subando and M.
Wibowo.
AuConstruction of the Khilafah State According to Taqiyuddin AnNabhani: Foundation for Development of Perception Measurement Instruments about the Khilafah,Ay Ishlah J.
Ilmu Ushuluddin.
Adab dan Dakwah, vol.
5, no.
1, pp.
55Ae72, 2023, doi:
32939/ishlah.
Sahri.
AuPolitical thought of Al-Ghazali on Imamah: Debate between theocracy and democracy,Ay HTS Teol.
Stud.
/ Theol.
Stud.
, vol.
77, no.
3, pp.
1Ae8, 2021, doi: 10.
4102/hts.
Moh.
Shofan.
AuKonsep Khalifah Fi Al-Ardh dalam Surat Al-Baqarah Ayat 30 dan Implikasinya pada Tujuan Pendidikan Islam,Ay vol.
2, no.
1, pp.
141Ae163, 2020.
Dewi.
Hidayatullah.
Oktaviantari, and M.
Raini.
AuKonsep Kepemimpinan Profetik,Ay AlMuaddib J.
Ilmu-Ilmu Sos.
dan Keislam.
, vol.
5, no.
1, pp.
147Ae159, 2020, [Onlin.
Available:
http://dx.
org/10.
31604/muaddib.
Rajput.
Natural language processing, sentiment analysis, and clinical analytics.
Elsevier Inc.
, 2019.
Mustakim and R.
Novita.
AuThe Implementation of Probabilistic Neural Networks to Sentiment Analysis of National Principle and Religion Issues in Indonesia,Ay J.
Syst.
Manag.
Sci.
, vol.
13, no.
5, pp.
311Ae 321, 2023, doi: 10.
33168/JSMS.
Nagarajan and U.
Gandhi.
AuClassifying streaming of Twitter data based on sentiment analysis using hybridization,Ay Neural Comput.
Appl.
, vol.
31, no.
5, pp.
1425Ae1433, 2019, doi: 10.
1007/s00521018-3476-3.
Sun.
Zhai.
Shen, and Y.
Chen.
AuNewspaper coverage of artificial intelligence: A perspective of emerging technologies,Ay Telemat.
Informatics, vol.
53, no.
May, 2020, doi: 10.
1016/j.
Yulian.
AuText Mining dengan K-Means Clustering pada Tema LGBT dalam Arsip Tweet Masyarakat Kota Bandung,Ay J.
Mat.
AuMANTIK,Ay vol.
4, no.
1, pp.
53Ae58, 2018, doi: 10.
15642/mantik.
Zannah.
AuAnalisis Sentimen Pada Media Sosial Twitter Untuk Klasifikasi Opini Islam Radikal Menggunakan Jaringan Saraf Tiruan,Ay no.
September 2017, pp.
46Ae54, 2019, [Onlin.
Available:
MALCOM - Vol.
3 Iss.
2 October 2023, pp: 324-330 MALCOM-03.
: 324-330
http://digilib.
id/32982/.
Andrian.
Naufal.
Hermanto.
Junaidi, and F.
Lumbanraja.
AuK-Nearest Neighbor .
NN) Classification for Recognition of the Batik Lampung Motifs,Ay J.
Phys.
Conf.
Ser.
, vol.
1338, no.
2019, doi: 10.
1088/1742-6596/1338/1/012061.
Setyorini and Mustakim.
AuApplication of the nearest neighbor algorithm for classification of online taxibike sentiments in indonesia in the google playstore application,Ay J.
Phys.
Conf.
Ser.
, vol.
2049, no.
1, pp.
0Ae7, 2021, doi: 10.
1088/1742-6596/2049/1/012026.
Tanveer.
Sharma, and P.
Suganthan.
AuLeast squares KNN-based weighted multiclass twin SVM,Ay Neurocomputing, vol.
459, no.
x, pp.
454Ae464, 2021, doi: 10.
1016/j.
Triguero.
Garcya-Gil.
Maillo.
Luengo.
Garcya, and F.
Herrera.
AuTransforming big data into smart data: An insight on the use of the k-nearest neighbors algorithm to obtain quality data,Ay Wiley Interdiscip.
Rev.
Data Min.
Knowl.
Discov.
, vol.
9, no.
2, pp.
1Ae24, 2019, doi: 10.
1002/widm.
Salam.
Zeniarja, and R.
Khasanah.
AuAnalisis Sentimen Data Komentar Sosial Media Facebook Dengan K-Nearest Neighbor (Studi Kasus Pada Akun Jasa Ekspedisi Barang J&T Ekpress Indonesi.
,Ay Pros.
SINTAK, pp.
480Ae486, 2018.
Wisnu.
Afif, and Y.
Ruldevyani.
AuSentiment analysis on customer satisfaction of digital payment in Indonesia: A comparative study using KNN and Nayve Bayes,Ay J.
Phys.
Conf.
Ser.
, vol.
1444, no.
2020, doi: 10.
1088/1742-6596/1444/1/012034.
Penelitian Ilmu Komputer.
Wisnu Widagdo, and M.
Adhari Adiguna.
AuBrand Reputation Monitoring System Based on Sentiment Analysis Using the K-Nearest Neighbor Method,Ay vol.
1, no.
22Ae27, [Onlin.
Available:
https://doi.
org/10.
5281/zenodo.
7720440https://mypublikasi.
Salloum.
Al-Emran.
Monem, and K.
Shaalan.
AuUsing text mining techniques for extracting information from research articles,Ay Stud.
Comput.
Intell.
, vol.
740, pp.
373Ae397, 2018, doi:
1007/978-3-319-67056-0_18.
Widarma.
Novita.
Mustakim, and N.
Rozanda.
AuComparing Classification Algorithms to Analyze Twitter Sentiment on Public Opinion on Fuel Oil,Ay 2023 Int.
Semin.
Intell.
Technol.
Its Appl.
Leveraging Intell.
Syst.
to Achieve Sustain.
Dev.
Goals.
ISITIA 2023 - Proceeding, pp.
648Ae653, 2023, doi: 10.
1109/ISITIA59021.
Nandwani and R.
Verma.
AuA review on sentiment analysis and emotion detection from text,Ay Soc.
Netw.
Anal.
Min.
, vol.
11, no.
1, 2021, doi: 10.
1007/s13278-021-00776-6.
Hemmatian and M.
Sohrabi.
AuA survey on classification techniques for opinion mining and sentiment analysis,Ay Artif.
Intell.
Rev.
, vol.
52, no.
3, pp.
1495Ae1545, 2019, doi: 10.
1007/s10462-0179599-6.
Kurniawan and A.
Saputra.
AuPenerapan K-Nearest Neighbour dalam Penerimaan Peserta Didik dengan Sistem Zonasi,Ay J.
Sist.
Inf.
Bisnis, vol.
9, no.
2, p.
212, 2019, doi: 10.
21456/vol9iss2pp212219.
Shah.
Patel.
Sanghvi, and M.
Shah.
AuA Comparative Analysis of Logistic Regression.
Random Forest and KNN Models for the Text Classification,Ay Augment.
Hum.
Res.
, vol.
5, no.
1, 2020, doi:
1007/s41133-020-00032-0.
Gurning.
Mustakim.
Rizaldi, and H.
Syukron.
AuComparison of Nayve Bayes.
C4.
5 and KNearest Neighbor for Covid-19 Data Classification,Ay ISITDI, pp.
16Ae21, 2022.
Wibowo.
AuSekuritisasi Wacana Khilafah Di Indonesia,Ay J.
Islam.
Stud.
Int.
A, vol.
Vol.
5, no.
1, pp.
25Ae49, 2020, doi: 10.
5281/zenodo.
Rohman and S.
Nurhasanah.
AuPaham Radikalisme Berdasarkan Perspektif Agama,Ay J.
Terror.
Stud.
1, no.
1, pp.
18Ae32, 2019.
Penerapan Algoritma K-Nearest Neighbor untuk Analisis.
(Legito et al, 2.