Perbandingan Pembobotan TF-IDF dan TF-RF menggunakan NW-KNN untuk Klasifikasi Emosi pada Teks Komentar Program MBKM (Studi Kasus: Aplikasi X)
DOI:
https://doi.org/10.26418/jp.v11i2.93456Keywords:
Klasifikasi Emosi, MBKM, TF-IDF, TF-RF, NW-KNNAbstract
Media sosial seperti aplikasi X memungkinkan pengguna menyampaikan opini terhadap isu-isu publik, termasuk Program Merdeka Belajar Kampus Merdeka (MBKM). Komentar tersebut sering kali mengandung emosi yang beragam. Namun, komentar di media sosial cenderung tidak terstruktur dan mengandung frasa yang tidak baku, sehingga penting dilakukan klasifikasi emosi untuk memahami respons masyarakat secara lebih mendalam. Oleh karena itu, dibutuhkan teknik yang tepat dalam menganalisis emosi tersebut. Pada penelitian ini digunakan dua teknik pembobotan, yaitu TF-IDF dan TF-RF, dengan menggunakan metode Neighbor Weighted K-Nearest Neighbor (NW-KNN) untuk mengklasifikasikan emosi dalam komentar terkait MBKM. Kedua pembobotan ini dibandingkan untuk mengetahui teknik mana yang menghasilkan performa klasifikasi yang lebih optimal. Emosi dilabeli secara manual dan menggunakan NRC Emotion Lexicon (Emolex). Label yang akan digunakan berjumlah 8 label yaitu sedih, marah, bahagia, takut, antisipasi, terkejut, percaya dan jijik. Hasil pelabelan menunjukkan bahwa pendekatan berbasis leksikon memiliki keterbatasan dalam memahami makna emosi yang sebenarnya karena perbedaan makna dari terjemahan bahasa Inggris ke bahasa Indonesia. Evaluasi dilakukan menggunakan confusion matrix yang mencakup accuracy, precision, recall dan F1-score, dengan tiga skenario pembagian data serta variasi parameter K dan E. Hasil percobaan menunjukkan bahwa kombinasi K = 35 dan E = 4 dengan pembagian data 90:10 memberikan kinerja yang lebih optimal. TF-IDF menunjukkan keunggulan dalam accuracy 75%, recall 75%, dan F1-score 74,43%, sementara TF-RF memiliki precision lebih tinggi sebesar 78,36%. TF-IDF lebih baik dalam mengenali emosi takut, sedangkan TF-RF lebih baik dalam mengenali emosi terkejut. Penelitian ini menunjukkan bahwa pemilihan teknik pembobotan dapat mempengaruhi performa dari hasil klasifikasi emosi pada komentar terkait MBKM.References
A. D. Riyanto, “Hootsuite (We are Social): Indonesian Digital Report 2023,†andi.link. Diakses: 27 Mei 2024. [Daring]. Tersedia pada: https://andi.link/hootsuite-we-are-social-indonesian-digital-report-2023/
Sudianto, “Analisis Kinerja Algoritma Machine Learning Untuk Klasifikasi Emosi,†Build. Informatics, Technol. Sci., vol. 4, no. 2, hal. 1027–1034, 2022, doi: 10.47065/bits.v4i2.2261.
A. Fadjeri, K. Hidayat, dan D. R. Handayani, “Deteksi Emosi Pada Teks Menggunakan Algoritma Naïve Bayes,†J. Ris. Teknol. Inf. dan Komput., vol. 1, no. 2, hal. 1–4, 2021, doi: 10.53863/juristik.v1i02.365.
R. M. Darajatun dan M. Ramdhany, “Pengaruh Implementasi Kebijakan Kampus Merdeka terhadap Minat dan Keterlibatan Mahasiswa,†J. Bus. Manag. Educ. |, vol. 6, no. 3, hal. 11–21, 2021.
A. N. Sutranggono, “Klasifikasi Emosi Pada Cuitan Di Twitter Dengan Principal Component Analysis Dan Support Vector Machine,†MATHunesa J. Ilm. Mat., vol. 10, no. 1, hal. 13–20, 2022, doi: 10.26740/mathunesa.v10n1.p13-20.
H. F. Putro, R. T. Vulandari, dan W. L. Y. Saptomo, “Penerapan Metode Naive Bayes Untuk Klasifikasi Pelanggan,†J. Teknol. Inf. dan Komun., vol. 8, no. 2, 2020, doi: 10.30646/tikomsin.v8i2.500.
A. Semeraro, S. Vilella, dan G. Ruffo, “PyPlutchik: Visualising and comparing emotion-annotated corpora,†PLoS One, vol. 16, no. 9 September, 2021, doi: 10.1371/journal.pone.0256503.
R. Ramadhan, Y. A. Sari, dan P. P. Adikara, “Perbandingan Pembobotan Term Frequency-Inverse Document Frequency dan Term Frequency-Relevance Frequency terhadap Fitur N-Gram pada Analisis Sentimen,†J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 11, hal. 5075–5079, 2021, [Daring]. Tersedia pada: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/10173
A. N. Assidyk, E. B. Setiawan, dan I. Kurniawan, “Analisis Perbandingan Pembobotan TF-IDF dan TF-RF pada Trending Topic di Twitter dengan Menggunakan Klasifikasi K-Nearest Neighbor,†e-proceeding Eng., vol. 7, no. 2, hal. 9, 2020.
I. K. W. Dananjaya dan I. G. A. A. D. Indradewi, “Perbandingan Metode Pembobotan TF-RF Dan TF-ABS Pada Kategorisasi Berita Di BDI Denpasar,†SINTECH (Science Inf. Technol. J., vol. 6, no. 1, hal. 16–25, 2023, doi: 10.31598/sintechjournal.v6i1.1252.
F. N. Rozi dan D. H. Sulistyawati, “Klasifikasi Berita Hoax Pilpres menggunakan Metode Modified K-Nearest Neighbor dan Pembobotan Menggunakan Tf-Idf,†Konvergensi, vol. 15, no. 1, 2019, doi: 10.30996/konv.v15i1.2828.
D. Z. Maliha, E. Santoso, dan M. T. Furqon, “Penerapan Metode Neighbor Weighted K-Nearest Neighbor Dalam Klasifikasi Diabetes Mellitus,†J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 3, hal. 2910–2915, 2020, [Daring]. Tersedia pada: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/4817
Fadellia Azzahra, N. Suarna, dan Y. Arie Wijaya, “Penerapan Algoritma Random Forest Dan Cross Validation Untuk Prediksi Data Stunting,†Kopertip J. Ilm. Manaj. Inform. dan Komput., vol. 8, no. 1, hal. 1–6, 2024, doi: 10.32485/kopertip.v8i1.238.
W. E. Saputro, H. Yuana, dan W. D. Puspitasari, “Analisis Sentimen Pengguna Dompet Digital Dana pada Kolom Komentar Google Play Store dengan Metode Klasifikasi Support Vector Machine,†JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 2, hal. 1151–1156, 2023.
G. A. Lustiansyah, D. Widiyanto, dan B. T. Wahyono, “Analisis klasifikasi sentimen pengguna aplikasi pedulilindungi berdasarkan ulasan dengan menggunakan metode long short term memory,†Semin. Nas. Mhs. Ilmu Komput. dan Apl., hal. 327–336, 2022, [Daring]. Tersedia pada: https://conference.upnvj.ac.id/index.php/senamika/article/view/2177
F. Septianingrum, J. H. Jaman, dan U. Enri, “Analisis Sentimen Pada Isu Vaksin Covid-19 di Indonesia dengan Metode Naive Bayes Classifier,†J. Media Inform. Budidarma, vol. 5, no. 4, hal. 1431, 2021, doi: 10.30865/mib.v5i4.3260.
