PERBANDINGAN METODE KLASIFIKASI DALAM ANALISIS SENTIMEN MASYARAKAT TERHADAP IDENTITAS KEPENDUDUKAN DIGITAL (IKD)

Novia Wahyuningsih
Hendry Hendry


DOI: https://doi.org/10.29100/jipi.v8i4.4155

Abstract


Identitas Kependudukan Digital merujuk pada penggunaan teknologi digital dan data elektronik untuk mengidentifikasi individu dalam konteks kependudukan. Pada dasarnya, Identitas Kependudukan Digital bertujuan untuk memberikan cara yang lebih efisien dalam mengelola data identitas individu. Dalam mengimplementasikan Identitas Kependudukan Digital, perlu memperhatikan aspek keamanan dan privasi data. Selain itu, tidak semua individu memiliki akses ke teknologi digital atau mungkin menghadapi tantangan dalam menggunakan teknologi tersebut. Penelitian ini bertujuan untuk melakukan klasifikasi data dari Twitter terkait Identitas Kependudukan Digital dengan membandingkan metode SVM, K-NN, Naive Bayes, dan Neural Network menggunakan pendekatan data mining CRISP-DM. Dataset diambil menggunakan Twitter API dan diproses menggunakan Orange Data Mining. Dari jumlah awal data tweet sebanyak 7914, setelah dilakukan pembersihan data, tersisa 1022 tweet yang digunakan dalam penelitian. Hasil pengujian menunjukkan bahwa masyarakat cenderung memiliki sentimen netral terkait Identitas Kependudukan Digital. Dalam hal performa model klasifikasi, metode K-NN menunjukkan kinerja yang sangat baik dengan nilai akurasi, presisi, dan recall mencapai 100%. Metode Neural Network dan Naive Bayes memiliki perbedaan yang kecil dalam performanya, sementara metode SVM memiliki nilai yang lebih rendah dalam evaluasi menggunakan Confusion Matrix. Penelitian ini memberikan wawasan tentang sentimen masyarakat terkait Identitas Kependudukan Digital dan mengidentifikasi metode klasifikasi dengan performa terbaik. Hasilnya dapat digunakan sebagai dasar untuk pengembangan lebih lanjut dalam meningkatkan akses dan pengelolaan Identitas Kependudukan Digital.

Full Text:

PDF

Article Metrics :

References


Dukcapiladmin, “Identitas Kependudukan Digital (IKD) / Digital ID,” Disdukcapil Madiun, 2023. https://dukcapil.madiunkab.go.id/identitas-kependudukan-digital-digital-id/ (accessed May 05, 2023).

D. D. PURNAMASARI, “Pengguna Identitas Kependudukan Digital Ditarget Capai 50 Juta Jiwa di 2023,” Kompas, 2023. https://www.kompas.id/baca/polhuk/2023/05/03/pengguna-identitas-kependudukan-digital-ditarget-capai-50-juta-jiwa-di-2023 (accessed May 06, 2023).

S. Indah Nurhafida and F. Sembiring, “Analisis Text Clustering Masyarakat Di Twiter Mengenai Mcdonald’Sxbts Menggunakan Orange Data Mining,” SISMATIK (Seminar Nas. Sist. Inf. dan Manaj. Inform., pp. 28–35, 2021.

D. Derisma and F. Febrian, “Perbandingan Teknik Klasifikasi Neural Network, Support Vector Machine, dan Naive Bayes dalam Mendeteksi Kanker Payudara,” Bina Insa. Ict J., vol. 7, no. 1, p. 53, 2020, doi: 10.51211/biict.v7i1.1343.

Shedriko, “STRING (Satuan Tulisan Riset dan Inovasi Teknologi) PERBANDINGAN ALGORITMA SVM DAN KNN DALAM MENGKLASIFIKASI KELULUSAN MAHASISWA PADA SUATU MATA KULIAH,” vol. 6, no. 2, pp. 115–122, 2021.

F. S. Ramadhan and A. P. W. Wibowo, “TEXT CLUSTERING ANALYSIS OF PUBLIC SENTIMENT ON TWITTER ABOUT TOKOPEDIA BTS USING ORANGE DATA MINING,” J. DARMA AGUNG, vol. JURNAL DAR, pp. 784–792, 2022.

R. A. raffaidy Wiguna and A. I. Rifai, “Analisis Text Clustering Masyarakat Di Twitter Mengenai Omnibus Law Menggunakan Orange Data Mining,” J. Inf. Syst. Informatics, vol. 3, no. 1, pp. 1–12, 2021, doi: 10.33557/journalisi.v3i1.78.

D. Abimanyu, E. Budianita, E. P. Cynthia, F. Yanto, and Y. Yusra, “Analisis Sentimen Akun Twitter Apex Legends Menggunakan VADER,” J. Nas. Komputasi dan Teknol. Inf., vol. 5, no. 3, pp. 423–431, 2022, doi: 10.32672/jnkti.v5i3.4382.

M. A. Hasanah, S. Soim, and A. S. Handayani, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir,” J. Appl. Informatics Comput., vol. 5, no. 2, pp. 103–108, 2021, doi: 10.30871/jaic.v5i2.3200.

A. Liken Anggoro, L. V. P. Ken, and M. G. Setiawan, “Analisis Media Text Clustering pada Twitter Akan Kasus Selebriti Menggunakan Orange Data Mining,” Remik, vol. 7, no. 1, pp. 189–195, 2023, doi: 10.33395/remik.v7i1.12001.

H. Hozairi, A. Anwari, and S. Alim, “Implementasi Orange Data Mining Untuk Klasifikasi Kelulusan Mahasiswa Dengan Model K-Nearest Neighbor, Decision Tree Serta Naive Bayes,” Netw. Eng. Res. Oper., vol. 6, no. 2, p. 133, 2021, doi: 10.21107/nero.v6i2.237.

N. Anggraini and H. Suroyo, “Comparison of Sentiment Analysis against Digital Payment ‘T-cash and Go-pay’ in Social Media Using Orange Data Mining Perbandingan Analisis Sentimen Terhadap Digital Payment ‘ T-cash dan Go-pay’ Di Sosial Media Menggunakan Orange Data Mining,” J. Inf. Syst. Informatics, vol. 1, no. 1, pp. 152–163, 2019, [Online]. Available: http://journal-isi.org/index.php/isi

A. Patunru, A. Surianta, and A. Tenggara, “Menarik Penanaman Modal Asing ( PMA ),” no. 4, pp. 1–9, 2020.

Ismail, H. N. Rahmah, and R. Sulistyowati, “Penggunaan Software Orange Data Mining Pada Implementasi Text Mining Dalam Analisis Sentimen Netizen Di Twitter Terhadap Kelangkaan Minyak Goreng Implementation of Text Mining in Netizen Sentiment Analysis on Twitter on Cooking Oil Scarcity Using Orange D,” Sigma-Mu, vol. 14, no. 2, pp. 1–11, 2022.

N. A. Sinaga, B. H. Hayadi, and Z. Situmorang, “Perbandingan Akurasi Algoritma Naïve Bayes, K-Nn Dan Svm Dalam Memprediksi Penerimaan Pegawai,” J. Tek. Inf. dan Komput., vol. 5, no. 1, p. 27, 2022, doi: 10.37600/tekinkom.v5i1.446.

E. F. Wati and B. Rudianto, “Penerapan Algoritma KNN, Naive Bayes Dan C4.5 Dalam Memprediksi Kelulusan Mahasiswa” Jurnal Format, vol. 11, no. 2, pp. 168–175, 2022.

R. Ridwan, H. Lubis, and P. Kustanto, “Implementasi Algoritma Neural Network dalam Memprediksi Tingkat Kelulusan Mahasiswa,” J. Media Inform. Budidarma, vol. 4, no. 2, p. 286, 2020, doi: 10.30865/mib.v4i2.2035.