Optimasi Feature Selection Pada Komentar Media Sosial Terhadap Peralihan Tv Digital Menggunakan Naïve Bayes, Support Vector Machine dan K-Nearest Neighbor

Abstract

Dalam menghadapi perubahan pada salah satu media informasi yaitu televisi yang semula menggunakan signal analog beralih menjadi TV dengan signal digital. Hal tersebut disebabkan bahwa siaran dengan transmisi analog rentan terhadap gangguan sehingga peralihan ini sebagai upaya dalam menikmati konten siaran televisi yang lebih baik. Namun, pada kenyataannya terdapat beberapa kesulitan yang dialami oleh beberapa pihak atau kalangan dengan berbagai alasan. Hal tersebut dapat diketahui melalui platform media sosial seperti twitter dan instagram. Dengan adanya kerjadian tersebut maka dapat diambil beberapa komentar positif dan negatif untuk mengetahui dampak dari peralihan signal digital tersebut. Dalam penelitian ini terdapat 1177 data komentar yang didapatkan sehingga membutuhkan teknologi untuk mendeteksi komentar tersebut positif atau negatif. Pada penelitian ini untuk optimasi komentar berbasis Pearson Correlation dengan menggunakan metode Naïve Bayes, Support Vector Machine (SVM) dan K-Nearest Neighbor (KNN). Hasil akurasi yang didapatkan dari ujicoba tersebut dengan metode Naïve Bayes 61,22%, SVM 80,10 %, dan KNN 79,93%. Jika ditambahan dengan Feature Selection mendapatkan hasil Naïve Bayes 63,68%, SVM 80,19%, dan KNN 80,02%. Berdasarkan hasil percobaan yang dilakukan digunakan untuk mengetahui berapa banyak perbandingan komentar positif dan negatif serta mengetahui perbandingan dari beberapa macam algoritma dengan seleksi fitur sehingga dapat menjadikan hasil yang optimal.