Analisis Sentimen Pada Ulasan Pelayanan Suku Dinas Kependudukan Dan Pencatatan Sipil Kota Administrasi Jakarta Barat Menggunakan Algoritme K-Nearest Neighbor

Emil Salim, Mohammad Syafrullah

Abstract


Administrasi kependudukan memiliki peranan yang penting di Indonesia karena terlibat dalam berbagai kegiatan. Di tingkat Pemerintah Daerah, Dinas Kependudukan dan Pencatatan Sipil bertanggung jawab atas hal tersebut. Di Jakarta Barat, Suku Dinas Kependudukan dan Pencatatan Sipil merupakan badan pemerintah yang bertugas secara teknis dalam administrasi kependudukan. Berdasarkan data tahun 2020, jumlah penduduk di Jakarta Barat mencapai 2.434.511 orang. Suku Dinas tersebut bertanggung jawab dalam memberikan pelayanan kepada masyarakat, yang melibatkan berbagai respon dan pendapat dari masyarakat. Beberapa pendapat bersifat positif dan membangun, sementara ada yang merasa tidak puas dengan pelayanan yang diberikan atau tidak sesuai harapan. Penelitian ini bertujuan untuk menganalisis pandangan masyarakat terhadap pelayanan administrasi Suku Dinas Kependudukan dan Pencatatan Sipil di Kota Administrasi Jakarta Barat menggunakan pendekatan machine learning, dengan fitur ekstraksi CountVectorizer dan algoritma K-Nearest Neighbor. Dataset yang digunakan berasal dari formulir daring yang dapat diakses oleh masyarakat. Hasil analisis dari 386 ulasan menunjukkan bahwa terdapat 311 (80,57%) ulasan positif dan 75 (19,43%) ulasan negatif dengan pengujian terbaik dilakukan dengan menggunakan nilai K=3, dengan tingkat akurasi sebesar 83%, presisi 82%, dan recall 100%.

Keywords


analisis sentimen; dukcapil; ktp; pelayanan; adminduk; administrasi kependudukan; countvectorizer; k-nearest neighbor

Full Text:

PDF

References


A. Alsaeedi and M. Z. Khan, “A study on sentiment analysis techniques of Twitter data,” Int. J. Adv. Comput. Sci. Appl., vol. 10, no. 2, pp. 361–374, 2019, doi: 10.14569/ijacsa.2019.0100248.

N. S. N. Salam, A. A. Supianto, and A. R. Perdanakusuma, “Analisis Sentimen Opini Mahasiswa Terhadap Saran Kuesioner Penilaian Kinerja Dosen dengan Menggunakan TF-IDF dan K-Nearest Neighbor,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 6, pp. 6148–6156, 2019, [Online]. Available: http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/5649

A. A. Paramitha, Indriati, and Y. A. Sari, “Analisis Sentimen Terhadap Ulasan Pengguna MRT Jakarta Menggunakan Information Gain dan Modified K-Nearest Neighbor,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 4, no. 4, pp. 1125–1132, 2020.

S. Surohman, S. Aji, R. Rousyati, and F. F. Wati, “Analisa Sentimen Terhadap Review Fintech Dengan Metode Naive Bayes Classifier Dan K- Nearest Neighbor,” EVOLUSI J. Sains dan Manaj., vol. 8, no. 1, pp. 93–105, 2020, doi: 10.31294/evolusi.v8i1.7535.

M. Priandi and Painem, “Analisis Sentimen Masyarakat Terhadap Pembelajaran Daring di Era Pandemi Covid-19 pada Media Sosial Twitter Menggunakan Ekstraksi Fitur Countvectorizer dan Algoritma K-Nearest Neighbor,” Semin. Nas. Mhs. Ilmu Komput. dan Apl. Jakarta-Indonesia, no. September, pp. 311–319, 2021.

H. Asril, Mustakim, and I. Kamila, “Klasifikasi Dokumen Tugas Akhir Berbasis Text Mining menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor,” Semin. Nas. Teknol. Inf. Komun. dan Ind., vol. 0, no. 0, pp. 2579–5406, 2019, [Online]. Available: http://ejournal.uin-suska.ac.id/index.php/SNTIKI/article/view/7995

P. P. A. Indriya Dewi Onantya, Indriati, “Analisis Sentimen Pada Ulasan Aplikasi BCA Mobile Menggunakan BM25 Dan Improved K-Nearest Neighbor,” J-Ptiik.Ub.Ac.Id, vol. 3, no. 3, pp. 2575–2580, 2019, [Online]. Available: http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/4754

Y. M. Febrianti, I. Indriati, and A. W. Widodo, “Analisis Sentimen Pada Ulasan ‘Lazada ’ Berbahasa Indonesia Menggunakan K-Nearest Neighbor ( K-NN ) Dengan Perbaikan Kata Menggunakan Jaro Winkler Distance,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 10, pp. 3689–3698, 2018, [Online]. Available: http://j-ptiik.ub.ac.id

R. R. A. Siregar, Z. U. Siregar, and R. Arianto, “Klasifikasi Sentiment Analysis Pada Komentar Peserta Diklat Menggunakan Metode K-Nearest Neighbor,” Kilat, vol. 8, no. 1, 2019, doi: 10.33322/kilat.v8i1.421.

J. A. Septian, T. M. Fahrudin, and A. Nugroho, “Analisis Sentimen Pengguna Twitter Terhadap Polemik Persepakbolaan Indonesia Menggunakan Pembobotan TF-IDF dan K-Nearest Neighbor,” J. Intell. Syst. Comput., pp. 43–49, 2019, [Online]. Available: https://t.co/9WloaWpfD5

S. and Munawar, “Sistem Pendeteksi Berita Hoax Di Media Sosial Dengan Teknik Data Mining Scikit Learn,” J. Ilmu Komput. Vol. 4 Nomor 2 Desember 2019, vol. 4, pp. 173–179, 2019.

N. Fitriyah, B. Warsito, and D. A. I. Marudddani, “Analisis Sentimen Gojek Pada Media Sosial Twitter Dengan Klasifikasi Support Vector Machine (SVM),” vol. 9, pp. 376–390, 2020.

R. Mahendrajaya, G. A. Buntoro, M. B. Setyawan, F. Teknik, and U. M. Ponorogo, “Analisis Sentimen Pengguna Gopay Menggunakan Metode Lexicon Based Dan Support Vector Machine,” 2019




DOI: https://dx.doi.org/10.36080/bit.v20i1.2186

Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Bit (Fakultas Teknologi Informasi Universitas Budi Luhur)

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

OFFICE:

FAKULTAS TEKNOLOGI INFORMASI - UNIVERSITAS BUDI LUHUR, Jl. Ciledug Raya, Petukangan Utara, Jakarta Selatan, 12260. DKI Jakarta, Indonesia. Telp: 021-585 3753 Fax: 021-585 3752

Bit (Fakultas Teknologi Informasi Universitas Budi Luhur) by FAKULTAS TEKNOLOGI INFORMASI - UNIVERSITAS BUDI LUHUR is licensed under CC BY-SA 4.0 Creative Commons License

View Bit (Fakultas Teknologi Informasi Universitas Budi Luhur) Satats Web Analytics Made Easy