Perbandingan Support Vector Machine dan K-Nearest Neighbor pada Klasifikasi Emosi Tweet
DOI:
https://doi.org/10.65244/jggeconomic.v2i3.1150Keywords:
klasifikasi emosi, tweet bahasa Indonesia, support vector machine, k-nearest neighbor, ekstraksi fiturAbstract
Klasifikasi emosi pada tweet berbahasa Indonesia sulit dilakukan karena teks media sosial sering memakai bahasa tidak baku. Penelitian ini membandingkan Support Vector Machine dan K-Nearest Neighbor melalui delapan konfigurasi yang mengombinasikan term frequency-inverse document frequency atau bigram, synthetic minority oversampling, dan penyetelan grid search. Eksperimen menggunakan 4.403 tweet berlabel manual dalam lima kelas emosi, dengan 90% data latih dan 10% data uji. Teks menjalani case folding, cleaning, dan normalisasi. Kinerja dievaluasi melalui validasi silang sepuluh lipatan dan confusion matrix. Support Vector Machine dengan term frequency-inverse document frequency, oversampling, dan penyetelan menghasilkan akurasi terbaik sebesar 76,04% dan F1-score 76,19%. K-Nearest Neighbor mencapai akurasi 54,08% dan F1-score 48,61%. Term frequency-inverse document frequency secara konsisten mengungguli bigram, sedangkan pengaruh oversampling berbeda menurut algoritma.
Downloads
References
Aldawiyati, O. N. (2018). Identifikasi emosi pada tweet dengan algoritma K-Nearest Neighbor untuk rekomendasi judul lagu.
Luqyana, W. A., Cholissodin, I., & Perdana, R. S. (2018). Analisis sentimen cyberbullying pada komentar Instagram dengan metode klasifikasi Support Vector Machine. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(11), 4704-4713.
Muhidin, A., & Burhan, A. (2018). Klasifikasi tingkat produksi tanaman padi Kabupaten Karawang menggunakan metode Naive Bayes dan K-Fold Cross Validation. Jurnal Teknologi Pelita Bangsa SIGMA, 8(2), 225-232.
Musu, W., Ibrahim, A., & Heriadi. (2021). Pengaruh komposisi data training dan testing terhadap akurasi algoritma C4.5. Prosiding Seminar Ilmiah Sistem Informasi dan Teknologi Informasi, 10(1), 186-195.
Nasution, M. R. A., & Hayaty, M. (2019). Perbandingan akurasi dan waktu proses algoritma K-NN dan SVM dalam analisis sentimen Twitter. Jurnal Informatika, 6(2), 226-235. https://doi.org/10.31311/ji.v6i2.5129
Negara, A. B. P., Muhardi, H., & Sajid, F. (2021). Perbandingan algoritma klasifikasi terhadap emosi tweet berbahasa Indonesia. Jurnal Edukasi dan Penelitian Informatika, 7(2), 242-249. https://doi.org/10.26418/jp.v7i2.48198
Nugroho, A. (2018). Analisis sentimen pada media sosial Twitter menggunakan Naive Bayes Classifier dengan ekstraksi fitur N-Gram. J-SAKTI Jurnal Sains Komputer dan Informatika, 2(2), 200. https://doi.org/10.30645/j-sakti.v2i2.83
Nurjanah, W. E., Perdana, R. S., & Fauzi, M. A. (2017). Analisis sentimen terhadap tayangan televisi berdasarkan opini masyarakat pada media sosial Twitter menggunakan metode K-Nearest Neighbor dan pembobotan jumlah retweet. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 1(12), 1750-1757.
Saputri, M. S., Mahendra, R., & Adriani, M. (2019). Emotion classification on Indonesian Twitter dataset. Proceedings of the 2018 International Conference on Asian Language Processing, 90-95. https://doi.org/10.1109/IALP.2018.8629262
Sari, R. (2020). Analisis sentimen pada review objek wisata Dunia Fantasi menggunakan algoritma K-Nearest Neighbor. Evolusi Jurnal Sains dan Manajemen, 8(1), 10-17. https://doi.org/10.31294/evolusi.v8i1.7371
Siringoringo, R. (2018). Klasifikasi data tidak seimbang menggunakan algoritma SMOTE dan K-Nearest Neighbor. Jurnal ISD, 3(1), 44-49.
Trianto, R. B., Triyono, A., & Arum, D. M. P. (2020). Klasifikasi rating otomatis pada dokumen teks ulasan produk elektronik menggunakan metode N-Gram dan Naive Bayes. Jurnal Informatika Universitas Pamulang, 5(3), 295. https://doi.org/10.32493/informatika.v5i3.6110
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Merry Nehemia Nainggolan, Arif Bijaksana, Rina Septriana (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with Journal of Golden Generation Economic agree to the following terms:
- Authors retain copyright and grant the Journal of Golden Generation Economic right of first publication with the work simultaneously This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License. that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors can enter into separate, additional contractual arrangements for the non-exclusive distribution of the published version of the work (e.g., post it to an institutional repository or edit it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) before and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
