OPTIMASI K-NEAREST NEIGHBOR MENGGUNAKAN ALGORITMA SMOTE UNTUK MENGATASI IMBALANCE CLASS PADA KLASIFIKASI ANALISIS SENTIMEN

Abstract

Penelitian ini menguji kinerja metode K-Nearest Neighbor (KNN) dengan dan tanpa Synthetic Minority Oversampling Technique (SMOTE) dalam klasifikasi analisis sentimen pada data Tweet dengan kata kunci "Jokowi" di Twitter. Pengujian dilakukan dengan berbagai variasi presentase data training dan data testing, menggunakan nilai K=3 untuk KNN tanpa SMOTE, serta K=1 untuk KNN dengan SMOTE. Hasil pengujian menunjukkan bahwa metode KNN dengan SMOTE mencapai akurasi tertinggi sebesar 93%, presisi sebesar 100%, dan recall sebesar 85%, sementara KNN tanpa SMOTE mencapai akurasi 82%, presisi 82%, dan recall 98%. Secara keseluruhan, penggunaan KNN dengan SMOTE memberikan kinerja baik dan akurat dalam mengklasifikasikan sentimen pada data Tweet "Jokowi", khususnya dalam mendeteksi sentimen positif. Penelitian ini menyoroti pentingnya mempertimbangkan metode oversampling seperti SMOTE untuk meningkatkan performa KNN dalam mengatasi ketidakseimbangan data pada klasifikasi analisis sentimen di media sosial Twitter.