Electronic Resource

Optimasi K-Nearest Neighbor Menggunakan Algoritma Smote Untuk Mengatasi Imbalance Class Pada Klasifikasi Analisis Sentimen

---

Penelitian ini bertujuan menguji kinerja metode K-Nearest Neighbor (KNN)
dengan teknik Synthetic Minority Oversampling Technique (SMOTE) dalam
klasifikasi analisis sentimen terhadap data Tweet "Jokowi" di Twitter. Data dibagi
menggunakan metode random split untuk training dan testing, dengan variasi
presentase. Pengujian dilakukan dengan K=3 untuk KNN saja, dan K=1 untuk
KNN dengan SMOTE. Hasil pengujian menunjukkan bahwa KNN dengan
SMOTE memiliki akurasi tertinggi 93%, presisi 100%, dan recall 85%, sementara
KNN tanpa SMOTE mencapai akurasi 82%, presisi 82%, dan recall 98%. Secara
keseluruhan, penggunaan KNN dengan SMOTE memiliki kinerja baik dan akurat
dalam klasifikasi analisis sentimen pada data Tweet "Jokowi", dengan hasil
sentimen positif. Penelitian ini memberikan pemahaman tentang pentingnya
mempertimbangkan metode oversampling seperti SMOTE dalam meningkatkan
performa KNN dalam mengatasi ketidakseimbangan data pada klasifikasi analisis
sentimen di media sosial Twitter.

---

Ketersediaan

SB00740S

KKI 001.6 FIR o/s

Perpustakaan Unikama

Tersedia

Informasi Detail

Judul Seri

-

No. Panggil

KKI 001.6 FIR o/s

Penerbit

Malang : Prodi Teknik Informatika Unikama., 2023

Deskripsi Fisik

xiii, 66 hlm 26 cm

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

001.6

Tipe Isi

text

Tipe Media

PDF

Tipe Pembawa

online resource

Edisi

1

Subjek

Skripsi
Analisis Sentimen
Teknik informatika
Data mining
K-Nearest Neighbor (KNN)
SMOTE (Synthetic Minority Oversampling Technique)
Imbalance class

Info Detail Spesifik

-

Pernyataan Tanggungjawab

-

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar