Analisis Sentimen Ulasan Pengguna LinkedIn Menggunakan Naïve Bayes dan K-Nearest Neighbor
DOI:
https://doi.org/10.30865/json.v7i3.9486Keywords:
Sentimen, LinkedIn, Naive Bayes, CRISP-DM, KNNAbstract
Perkembangan aplikasi profesional seperti LinkedIn mendorong meningkatnya jumlah ulasan pengguna, namun volume data yang besar menyulitkan proses analisis sentimen secara manual. Permasalahan utama dalam penelitian ini adalah bagaimana mengklasifikasikan sentimen ulasan pengguna secara akurat untuk mengetahui persepsi pengguna terhadap aplikasi LinkedIn. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Naïve Bayes dan K-Nearest Neighbor (KNN) dalam analisis sentimen ulasan pengguna LinkedIn. Metode penelitian yang digunakan adalah CRISP-DM, dengan tahapan preprocessing teks .Ekstraksi fitur dilakukan menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF). Dataset yang digunakan terdiri dari 3.500 ulasan pengguna dengan pembagian data latih dan data uji sebesar 80% dan 20%. Hasil evaluasi menunjukkan bahwa algoritma Naïve Bayes memperoleh performa yang lebih baik dengan accuracy sebesar 88%, nilai AUC sebesar 0,9424, sedangkan KNN menghasilkan accuracy sebesar 79% dan nilai AUC sebesar 0,8557. Hasil penelitian ini menunjukkan bahwa Naïve Bayes lebih efektif dalam mengklasifikasikan sentimen ulasan aplikasi LinkedIn dan dapat diimplementasikan ke dalam aplikasi berbasis web sebagai sistem pendukung analisis sentimen.
References
L. Kusneti, A. , Ratu, and A. , Wijaya, “Analisis Sentimen Ulasan Aplikasi LinkedIn Dalam Google Play Store Dengan Model Naive Bayes,” Djtechno J. Teknol. Inf., vol. 4, no. 2, pp. 374–385, 2023, doi: 10.46576/djtechno.
F. T. Berton et al., “Perbandingan Naïve Bayes Dan K-Nearest Neighbor Untuk Analisis Sentimen Terhadap Ulasan Aplikasi Threads,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 1, pp. 1–7, 2023.
A. M. Alhakim, P. D. Atika, H. Herlawati, and T. Fax, “Analisis Sentimen Masyarakat Terhadap PHK di Indonesia Pada Twitter Menggunakan Naïve Bayes dan Support Vector Machine ( SVM ),” JSRCS J. Students Res. Comput. Sci., vol. 6, no. 1, pp. 113–124, 2025.
M. R. Manoppo, I. C. Kolang, D. N. Fiat, R. Michelly, and C. Mawara, “Analisis Sentimen Publik Di Media Sosial Terhadap Kenaikan PPN 12 % Di Indonesia Menggunakan Indobert,” J. Kecerdasan Buatan dan Teknol. Inf., vol. 4, no. 2, pp. 152–163, 2025.
A. F. Zein, S. J. Putra, and Q. Aini, “Bibliometrik Analisis Sentimen : Tren Metode Penelitian dan Domain Implementasi,” JUSIFOR J. Sist. Inf. dan Inform., vol. 4, no. 1, pp. 120–128, 2025.
F. Sains, U. Islam, N. Syarif, and H. Jakarta, “Sentimen Analisis Twitter Ibu Kota Negara Nusantara Menggunakan Long Short-Term Memory dan Lexicon Based,” J. Manaj. Sist. Inf. dan Teknol., vol. 8, no. 200, 2022.
F. Adelia Irawan, A. Rialdy Atmadja, and A. Wahana, “Analisis Sentimen Ulasan Aplikasi Bank Digital Menggunakan Algoritma Naïve Bayes,” J. Comput. Sci. Inf. Technol., vol. 4, no. 2, pp. 60–68, 2024, doi: 10.47065/explorer.v4i2.1181.
Y. A. Singgalen, “Penerapan Metode CRISP-DM dalam Klasifikasi Data Ulasan Pengunjung Destinasi Danau Toba Menggunakan Algoritma Naïve Bayes Classifier (NBC) dan Decision Tree (DT),” J. Media Inform. Budidarma, vol. 7, no. 3, p. 1551, 2023, doi: 10.30865/mib.v7i3.6461.
D. Pramudita, Y. Akbar, and T. Wahyudi, “Analisis Sentimen Terhadap Program Kartu Indonesia Pintar Kuliah pada Media Sosial X Menggunakan Algoritma Naive Bayes,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 4, pp. 1420–1430, 2024, doi: 10.57152/malcom.v4i4.1565.
D. Kurniawan and M. Yasir, “Optimization Sentimen Analysis using CRISP-DM and Naive Bayes Methods Implemented on Social Media,” Cybersp. J. Pendidik. Teknol. Inf., vol. 6, no. 2, p. 74, 2022, doi: 10.22373/cj.v6i2.12793.
B. Sifa Amalia, Y. Umaidah, and R. Mayasari, “Analisis Sentimen Review Pelanggan Restoran Menggunakan Algoritma Support Vector Machine Dan K-Nearest Neighbor,” SITEKIN J. Sains, Teknol. dan Ind., vol. 19, no. 1, pp. 28–34, 2021.
M. Jamil, R. Rosihan, and M. S Hanafi, “Analisis Sentimen Calon Kepala Daerah Maluku Utara dengan Metode CRISP-DM,” bit-Tech, vol. 7, no. 3, pp. 995–1003, 2025, doi: 10.32877/bt.v7i3.2285.
S. Khairunnisa, A. Adiwijaya, and S. Al Faraby, “Pengaruh Text Preprocessing terhadap Analisis Sentimen Komentar Masyarakat pada Media Sosial Twitter (Studi Kasus Pandemi COVID-19),” J. Media Inform. Budidarma, vol. 5, no. 2, p. 406, 2021, doi: 10.30865/mib.v5i2.2835.
I. H. Kusuma and N. Cahyono, “Analisis Sentimen Masyarakat Terhadap Penggunaan E-Commerce Menggunakan Algoritma K-Nearest Neighbor,” J. Inform. J. Pengemb. IT, vol. 8, no. 3, pp. 302–307, 2023, doi: 10.30591/jpit.v8i3.5734.
N. Q. Rizkina and F. N. Hasan, “Analisis Sentimen Komentar Netizen Terhadap Pembubaran Konser NCT 127 Menggunakan Metode Naive Bayes,” J. Inf. Syst. Res., vol. 4, no. 4, pp. 1136–1144, 2023, doi: 10.47065/josh.v4i4.3803.
M. Hafizh Mahendra, D. Triantoro Murdiansyah, and K. Muslim Lhaksmana, “Analisis Sentimen Tweet COVID-19 menggunakan K-Nearest Neighbors dengan TF-IDF dan Ekstraksi Fitur CountVectorizer,” Dike J. Ilmu Multidisiplin , vol. 1, no. 2, pp. 37–43, 2023, [Online]. Available: https://ejournal.cvrobema.com/index.php/dike/article/view/35
Z. Purwanti and Sugiyono, “Pemodelan Text Mining untuk Analisis Sentimen Terhadap Program Makan Siang Gratis di Media Sosial X Menggunakan Algoritma Support Vector Machine (SVM),” J. Indones. Manaj. Inform. dan Komun., vol. 5, no. 3, pp. 3065–3079, 2024, doi: 10.35870/jimik.v5i3.1001.
A. A. Lailany and S. Lestari, “Analisis Sentimen Publik Terhadap Penurunan Jumlah Pernikahan di Indonesia menggunakan Algoritma K-Nearest Neighbors (KNN),” J. Indones. Manaj. Inform. dan Komun., vol. 5, no. 3, pp. 3043–3053, 2024, doi: 10.35870/jimik.v5i3.1000.
H. Akbar Kosasih and A. Yuliana, “Analisis Sentimen Rencana Pendirian Pabrik Apple Inc Di Bandung Menggunakan Algoritma Naive Bayes,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 5, pp. 8396–8404, 2025, doi: 10.36040/jati.v9i5.14986.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Jurnal Sistem Komputer dan Informatika (JSON)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
This work is licensed under a Creative Commons Attribution 4.0 International License
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
