KLASIFIKASI DOKUMEN KOMENTAR PADA SITUS YOUTUBE MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR (K-NN)

Di era serba maju seperti ini persaingan dalam produksi film sangatlah ketat, kemajuan teknologi menjadikan konsumen dapat dengan mudah mendapatkan informasi tentang film yang mereka inginkan misalkan pada situs youtube. Rumah produksi film dituntut untuk dapat memproduksi film dalam waktu singkat dan jumlah banyak agar tidak tertinggal oleh rumah produksi film lainnya karena konsumen menginginkan sebuah film yang selalu baru setiap saat. Kemudian masalah timbul karena rumah produksi film tersebut lebih mementingkan jumlah film yang diproduksi dibandingkan dengan kualitas film tersebut. Sistem klasifikasi komentar diharapkan dapat membantu untuk mengetahui respon positif dan negatif dari pengguna situs youtube yang memberikan komentarnya. Sentiment analysis digunakan untuk mengetahui sikap seseorang dalam konteks dokumen. Sentiment analysis memiliki tahapan preprocessing yang terdiri dari case folding, stopword removal, cleansing, tokenizing, dan stemming. Pembobotan kata yang digunakan adalah term frequency–invers document frequency dan perhitungan similaritasnya menggunakan cosine similarity kemudian menggunakan K-Nearest Neighbor (K-NN) sebagai metode klasifikasinya. Hasil yang didapatkan dari implementasi metode k-nn ini cukup baik dengan uji coba sebanyak 6 kali. Rata-rata accuracy tertinggi adalah 0.806 dengan recall 0.848, precission 0.788, dan error rate 0.150. Sedangkan accuracy terendah adalah 0.669 dengan recall 0.88, precission 0.177, dan error rate 0.331