Pemanfaatan K-Nearest Neighbor untuk Analisis Sentimen Kesehatan Mental pada Aplikasi X
DOI:
https://doi.org/10.30872/dzz4z772Keywords:
K-Nearest Neighbor, analisis sentimen, kesehatan mental, TF-IDF, Aplikasi XAbstract
Penelitian ini bertujuan untuk mengembangkan sistem analisis sentimen menggunakan algoritma K-Nearest Neighbor (KNN) dalam mengklasifikasikan opini dan perasaan pengguna terkait kesehatan mental di platform Aplikasi X (Twitter). Data berupa teks tweet dikumpulkan secara sistematis dengan kata kunci 201ckesehatan mental201d dalam rentang waktu Januari hingga Agustus 2025, menghasilkan 500 data bersih setelah proses deduplikasi. Tahap prapemrosesan meliputi data cleaning, case folding, stopword removal, tokenisasi, dan stemming berbahasa Indonesia menggunakan pustaka Sastrawi. Representasi fitur teks dilakukan menggunakan metode TF-IDF, kemudian diklasifikasikan menggunakan algoritma KNN dengan variasi nilai K dari 1 hingga 21. Nilai K optimal yang diperoleh adalah K=16 dengan metrik jarak cosine similarity, menghasilkan akurasi sebesar 64%. Distribusi sentimen menunjukkan 58,5% data berlabel negatif, 33,9% positif, dan 7,6% netral. Evaluasi menggunakan confusion matrix menunjukkan F1-score untuk kelas negatif sebesar 76%, positif 33%, dan netral 0%, mengindikasikan ketidakseimbangan kelas sebagai tantangan utama. Penelitian ini berkontribusi pada pengembangan sistem pemantauan kesehatan mental digital berbasis media sosial yang dapat dimanfaatkan oleh tenaga kesehatan dan pemangku kebijakan.
References
H. Aulia, M. Zulfadhilah, S. E. Prastya, and M. S. Pebriadi, “Analyzing Public Sentiment towards Mental Health on Social Media Twitter Using Machine Learning,” POSITIF J. Sist. dan Teknol. Inf., vol. 10, no. 2, pp. 40–48, 2024.
N. Hayati, S. T. Nowo, B. Suhardi, and R. Rosnelly, “Analisis Sentimen Komentar YouTube Terhadap Isu Kesehatan Mental Menggunakan Algoritma Naïve Bayes dan K-Nearest Neighbor (KNN),” Syntax J. Softw. Eng. Comput. Sci. Inf. Technol., vol. 6, no. 1, 2025.
A. R. Isnain, J. Supriyanto, and M. P. Kharisma, “Implementation of K-Nearest Neighbor (K-NN) Algorithm For Public Sentiment Analysis of Online Learning,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 15, no. 2, pp. 121–130, 2021.
R. D. Kurniawan and J. Muliawan, “Sentiment Analysis of Indonesian Election 2024 Using the K-Nearest Neighbor Method,” J. Tek. Inform., vol. 5, no. 2, pp. 653–659, 2024.
F. A. Wenando, R. Septiadi, R. Gunawan, H. Mukhtar, and Syahril, “K-Nearest Neighbor (KNN) untuk Menganalisis Sentimen terhadap Kebijakan Merdeka Belajar Kampus Merdeka pada Komentar Twitter,” J. CoSciTech (Computer Sci. Inf. Technol., vol. 3, no. 2, pp. 152–158, 2022.
Asro’i and H. Februariyanti, “Analisis Sentimen Pengguna Twitter terhadap Perpanjangan PPKM Menggunakan Metode K-Nearest Neighbor,” J. Khatulistiwa Inform., vol. 10, no. 1, pp. 17–24, 2022.
S. Ernawati and R. Wati, “Sentiment Analysis of Three-Period Polemics Using K-Nearest Neighbor with TF-IDF Weighting,” J. Ris. Inform., vol. 4, no. 3, pp. 215–220, 2022.
E. S. Marsiani, F. Natsir, R. A. Sihombing, and M. Izzatillah, “Support Vector Machine Based Machine Learning for Sentiment Analysis of User Reviews of the Bibit Application on Google Play Store,” Int. J. Informatics Comput., vol. 1, no. 2, pp. 64–71, 2025.
A. Ilham and W. Pramusinto, “Analisis Sentimen Masyarakat Terhadap Kesehatan Mental pada Twitter Menggunakan Algoritme K-Nearest Neighbor,” in Prosiding SENAFTI (Seminar Nasional Mahasiswa Fakultas Teknologi Informasi), 2023, pp. 539–547.
R. Wati and S. Ernawati, “Sentiment Analysis of Mental Health Reviews Using Machine Learning Algorithms,” J. Ris. Inform., vol. 8, no. 1, pp. 149–157, 2025.
R. Puspita and A. Widodo, “Perbandingan Metode KNN, Decision Tree, dan Naïve Bayes Terhadap Analisis Sentimen Pengguna Layanan BPJS,” J. Inform. Univ. Pamulang, vol. 5, no. 4, pp. 646–652, 2021.
A. Sulistyohati, M. Izzatillah, R. A. Sihombing, and F. Natsir, Kuasai UML dalam 30 Menit : Rahasia Cepat Membuat Sistem Pemilihan Karyawan Terbaik. Penerbit Qriset Indonesia, 2025.
R. A. Sihombing et al., “Expert System for Early Detection of Kidney Disease Through E-Health Using Android-Based Dempster Shafer Algorithm,” in 2025 International Conference on Computer Sciences, Engineering, and Technology Innovation (ICoCSETI), IEEE, 2025, pp. 84–89.
F. Natsir, A. Abdurahman, and R. A. Sihombing, “Prediction of Alternative Solar Energy Utilization in Internet of Things Based Systems Using Random Forest Algorithm,” Innov. Res. Informatics, vol. 7, no. 1, 2025.
F. Natsir and R. A. Sihombing, “Penerapan Metode User Centered Design pada Rancangan User Interface Marketplace Pemasaran Produk Olahan Perikanan,” J. Pract. Comput. Sci., vol. 2, no. 2, pp. 56–63, 2022.
M. Y. Bakhtiar, R. A. Sihombing, and F. Natsir, “Metode Forward Chaining untuk Deteksi Gangguan Kejiwaan Dini,” J. Ris. Sist. dan Teknol. Inf., vol. 3, no. 2, pp. 90–99, 2025.
M. Rivki and A. M. Bachtiar, “Implementasi Algoritma K-Nearest Neighbor dalam Pengklasifikasian Follower Twitter yang Menggunakan Bahasa Indonesia,” J. Sist. Inf., vol. 13, no. 1, pp. 31–37, 2017.
L. Enjelia, Y. Cahyana, Rahmat, and D. Wahiddin, “Comparison of K-Nearest Neighbors and Naive Bayes Classifier Algorithms in Sentiment Analysis of 2024 Election in Twitter (X),” J. Appl. Informatics Comput., vol. 9, no. 3, pp. 946–954, 2025.
I. Zulfa and E. Winarko, “Sentimen Analisis Tweet Berbahasa Indonesia Dengan Deep Belief Network,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 11, no. 2, pp. 187–198, 2017.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Jurnal Rekayasa Teknologi Informasi (JURTI)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
