Perbandingan Algoritma NBC dan Decision Tree pada Sentimen Analisis Mengenai Vaksinasi Covid-19 Di Indonesia

Abstract

Perkembangan Twitter di Indonesia sebagai platform media sosial yang digemari masyarakat, yang menunjukkan Indonesia negara pengguna Twitter terbanyak kelima di dunia pada Januari 2022. Seiring berkembangnya tren saat ini, memaksa pemerintah Indonesia untuk melakukan berbagai cara lebih banyak berinteraksi dengan masyarakat, salah satunya dengan penggunaan Twitter. Memanfaatkan media social Twitter, pemerintah akan mendapatkan berbagai informasi yang sedang kontroversial di kalangan masyarakat. Seperti dilaksanakannya kegiatan vaksinasi oleh pemerintah Indonesia, banyak masyarakat menilai kontroversial dalam kegiatan vaksinasi ini dan banyak kalangan di masyarakat yang memberikan berbagai pendapatnya di media sosial. Melalui Twitter salah satunya, masyarakat berbagi postingan opini masing-masing tentang vaksinasi ini. Tahapan analisis pada pengujian ini akan membandingkan dua algoritma klasifikasi yakni Naive Bayes Classifier (NBC) dengan Decision Tree dengan menggunakan perhitungan Confusion Matrix untuk mengukur kinerja pada kedua algoritma tersebut. Hasil tes pengujian akhir disajikan dalam bentuk nilai akurasi, presisi dan recall. Perbandingan kedua algoritma klasifikasi Naïve Bayes dengan Decision Tree hasil yang diperoleh memiliki perbedaan tingkat akurasi yang berbeda. Algoritma Naïve Bayes Classifier mendapat hasil akurasi 93.96 % dan nilai presisi 91% dengan nilai recall 98%, sedangkan pada algoritma Decision Tree menghasilkan nilai akurasi sebesar 88.64 %, dengan nilai presisi 91% dan nilai recall 94%. Hasil ini didasarkan pada perhitungan Confusion Matrix. Kemudian bisa disimpulkan jika algoritma NBC penelitian ini lebih akurat dibanding algoritma Decision Tree.

Pengukuran Kinerja Model Klasifikasi dengan Data Oversampling pada Algoritma Supervised Learning untuk Penyakit Jantung

“…Kombinasi K-Fold Cross-Validation dengan Confusion Matrix membantu menghindari bias dalam evaluasi model, karena model diuji pada beberapa subset data yang berbeda (Agtira et al, 2023;Djatna et al, 2018;Masruriyah et al, 2019). Ini memberikan gambaran yang lebih obyektif tentang seberapa baik model yang dibangun dapat menggeneralisasi dan menghindari overfitting.…”

Penerapan Algoritma Supervised Learning untuk Klasifikasi Program Keluarga Harapan

“…Namun [12] pada penelitiannya membandingkan MKNN dengan K-NN didapatkan hasil performance KNN lebih tinggi dibandingakan dengan MKNN. Kemudian pada penelitian [13] yaitu melakukan pengklasifikasian dengan membandingkan Naïve Bayes Classifier (NBC) dan Decision Tree, didapatkan hasil NBC lebih akurat dibandingkan dengan Decision tree dengan tingkat akurasi sebesar 93.96%. Selanjutnya pada penelian lainnya dilakukan pengklasifikasian dengan menggunakan Algoritma Probabilistic Neural Network (PNN) didapatkan hasil bahwa kinerja dari PNN sangat baik dibandingkan dengan algoritma lain [14].…”