Analisis Sentimen Terhadap Opini Publik Mengenai Childfree Dalam Pernikahan pada Twitter Menggunakan K-Nearest Neighbor (K-NN)

Sentiment Analysis Of Public Opinion About Childfree in Marriage on Twitter Using K-Nearest Neighbor (K-NN)

Menurut perkembangan terkini, banyak pasangan pernikahan memilih untuk menjalani kehidupan yang bahagia tanpa memiliki anak atau disebut dengan childfree. Tetapi hal ini masih banyak menuai pro dan kontra pada masyarakat, salah satunya di media sosial twitter. Analisis sentimen dilakukan untuk memprediksi komentar ataupun opini masyarakat yang kecenderungan beropini positif, netral, maupun negatif. Preprocessing data menggunakan cleaning, case folding, normalisasi, stemming,  filtering, dan tokenizing. Pada normalisasi kata bertujuan memperbaiki kata singkatan  dan TF-IDF sebagai metode pembobotan kata.

Data yang digunakan terdiri dari 1100 tweet. Metode klasifikasi opini menggunakan metode K-Nearest Neighbor dan melakukan pengujian agar mendapatkan hasil akurasi yang paling terbaik. Hasil dari pelabelan untuk sentimen positif berjumlah 636, sentimen netral berjumlah 285, dan 285 untuk sentimen negatif. Data dibagi menjadi 85% untuk data latih dan 15% untuk data pengujian. Klasifikasi K-NN dengan nilai k = 8 menghasilkan akurasi sebesar 70%, precision sebesar 70% dan recall sebesar 70%.

According to recent developments, many married couples choose to live a happy life without having children or are called childfree. But this still reaps a lot of pros and cons in society, one of which is on social media Twitter. Sentiment analysis is carried out to predict comments or public opinions that tend to have positive, neutral or negative opinions. Data preprocessing uses cleaning, case folding, normalization, stemming, filtering, and tokenizing. The normalization of words aims to improve abbreviations and TF-IDF as a method of weighting words.

The data used consists of 1100 tweets. The opinion classification method uses the K-Nearest Neighbor method and performs tests to obtain the best accuracy results. The results of labeling for positive sentiment amounted to 636, neutral sentiment amounted to 285, and 285 for negative sentiment. Data is divided into 85% for training data and 15% for testing data. K-NN classification with a value of k = 8 produces an accuracy of 70%, a precision of 70% and a recall of 70%.