PERBANDINGAN EKSTRAKSI FITUR PEMBOBOTAN SUPERVISED DAN UNSUPERVISED PADA KLASIFIKASI DATA TWEET GEJALA COVID MENGGUNAKAN METODE RANDOM FOREST

Abstract

Dimasa sekarang masyarakat sudah berani memberitahukan dirinya terpapar covid-19 melalui unggahan di media sosial dan banyak masyarakat yang menceritakan di Twitter. Metode pembobotan kata unsupervised merupakan pembobotan yang tidak memperhatikan letak term di kelas positif atau negatif. Kemudian metode pembobotan ini dikembangkan menjadi pembobotan supervised, karena dalam proses pembobotannya metode ini membobotkan term dengan memperhatikan letak term di kelas positif atau negatif. Maka dari itu, akan dilakukan penelitian dengan membandingkan kedua jenis pembobotan pada klasifikasi data tweet gejala covid dengan metode Random Forest. Dari hasil penelitian dapat diketahui bahwa kinerja klasifikasi dengan pembobotan Delta TF-IDF terbukti lebih bagus dengan akurasi sebesar 88,5% sedangkan dengan TF-IDF diperoleh hasil akurasi 87,9%.