Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Idealis : Indonesia Journal Information System

PENERAPAN ANALISIS SENTIMEN UJARAN KEBENCIAN TERHADAP VAKSINASI COVID-19 PADA TWEET BERBAHASA INDONESIA MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR Juan Kalyzta; Muhammad Ardi Willdan; Selfiana Halfiani; Indra Indra
IDEALIS : InDonEsiA journaL Information System Vol 5 No 2 (2022): Jurnal IDEALIS Juli 2022
Publisher : Universitas Budi Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36080/idealis.v5i2.2959

Abstract

Sistem vaksinasi dengan memanfaatkan media komunikasi dan informasi, tanpa dibatasi oleh kendala waktu, ruang dan tempat serta keterbatasan sistem vaksinasi. Kurangnya kesiapan dalam menerapkan sistem vaksinasi baru tersebut memaksa banyak pihak untuk dapat beradaptasi dalam waktu yang cepat. Sistem vaksinasi yang semula dianggap sebagai solusi mulai menuai beragam pendapat dari masyarakat. Penelitian ini bertujuan untuk melakukan analisis ujaran kebencian pada masa vaksinasi pada media sosial Twitter. Metode yang digunakan adalah dengan melakukan analisis sentimen melalui pendekatan machine learning dengan pelabelan secara manual oleh pakar, dengan ekstraksi fitur menggunakan CountVectorizer dan Algoritme klasifikasi K-Nearest Neighbor. Nilai pengujian dan evaluasi tertinggi yang diperoleh sebesar: akurasi 35%, presisi 20% dan recall 100% menggunakan nilai K=3. ---------------------------------- The vaccination system utilizes communication and information media, without being limited by the constraints of time, space and place as well as the limitations of the vaccination system. The lack of readiness to implement the new vaccination system has forced many parties to adapt quickly. The vaccination system, which was originally considered a solution, has begun to reap various opinions from the public. This study aims to analyze the public's view of the vaccination system on Twitter social media. The method used is to perform sentiment analysis through a machine learning approach with a sentiment dictionary feature, with feature extraction using the CountVectorizer and the K-Nearest Neighbor classification algorithm. The highest test and evaluation values obtained were: 35% accuracy, 20% precision and 100% recall using the value of K=3