Klasifikasi Teks Twitter Menggunakan Algoritma Naïve Bayes untuk Analisis Sentimen Penggunaan Vaksin Covid-19

Abdul Rohim, Amiq Fahmi

Abstract


Pandemi Covid-19 berdampak buruk terutama pada sektor kesehatan, ekonomi, dan pendidikan. Pemerintah Indonesia melakukan pencegahan dengan melakukan vaksin dosis ke-1 dan ke-2. Namun, dinilai masih kurang efektif untuk menghambat penyebaran virus. Selanjutnya diperkuat dengan melakukan vaksin ke 3 (booster). Tujuan dari penelitian ini untuk menganalisis sentimen pada masyarakat mengenai pelaksanaan vaksin booster. Analisis ini untuk membantu stakeholder dalam memahami sentimen masyarakat baik positif, netral, maupun negatif. Data yang digunakan sebanyak 1.122 tweet dengan menggunakan kata kunci "vaksin booster dan covid". Pada penelitian ini, kami menggunakan algoritma Naïve Bayes untuk prediksi sentimen analisis. Dataset untuk pelatihan dan pengujian sebesar 90% (1.009) dan tes 10% (113). Hasil eksperimen menghasilkan akurasi prediksi sebesar 72%, precission 68%, recall 74%, F1-score 70%, dan nilai AUC/ROC 82%. Hasil analisis sentimen "netral" sebanyak 518 (46.2 %), "positif" sebanyak 437 (38.9%), dan "negatif" sebanyak 167 (14.9%). Hasil dapat diartikan bahwa Algoritma Naïve Bayes memiliki performa klasifikasi yang baik untuk target sentimen multi-kelas.

Keyword: Analisis Sentimen, Text mining, Naïve Bayes, Vaksin Booster, Covid-19.


Full Text:

PDF

References


I. P. Sari and S. Sriwidodo, "Perkembangan Teknologi Terkini dalam Mempercepat Produksi Vaksin COVID-19," Maj. Farmasetika, vol. 5, no. 5, p. 204, 2020, doi: 10.24198/mfarmasetika. v5i5 .28082.

Ratino, N. Hafidz, S. Anggraeni, and W. Gata, "Sentimen Analisis Informasi Covid-19 menggunakan Support Vector Machine dan Naive Bayes," J. JUPITER, vol. 12, no. 2, pp. 1-11, 2020.

R. Yasmin, "Covid-19 Menggunakan Metode Naive Bayes Classifier Pada Media Sosial Twitter Covid-19 Menggunakan Metode Naive Bayes," 2021.

AM. Rizki, "Analisis Sentimen Pada Masyarakat Tentang Penggunaan Vaksin Sinovac Menggunakan Naive Bayes Classifier Pada Media Sosial Twitter," STMIK Riau, vol. 365, p. 63, 2022, [Online]. Available: http://repository.sar.ac.id/id/eprint/365/1/M. ZIKRI ALFA ROBBY ( 1710031802087). pdf.

B. Laurensz and Eko Sediyono, "Analisis Sentimen Masyarakat terhadap Tindakan Vaksinasi dalam Upaya Mengatasi Pandemi Covid-19," J. Nas. Tek. Elektra dan Teknol. Inf, vol. 10, no. 2, pp. 118-123, 2021, doi: 10.22146/jnteti.v10i2.1421.

A. Salam, J. Zeniarja, and R. S. U. Khasanah, "Analisis Sentimen Data Komentar Sosial Media Facebook Dengan K-Nearest Neighbor (Studi Kasus Pada Akun Jasa Ekspedisi Barang J&T Ekpress Indonesia)," Pros. SINTAK, pp. 480-486, 2018.

Mussalimun, E. H. Khasby, G. I. Dzikrillah, and Muljono, “Comparison of K- N earest Neighbor (K -NN) and Naïve Bayes Algorithm for Sentiment Analysis on Google Play Store Textual Reviews,†in 2021 8th International Conference on Information Technology, Computer and Electrical Engineering (ICITACEE), Sep. 2021, pp. 180–184. doi: 10.1109/ICITACEE53184.2021.9617217.

M. A. Hearst, E. Pedersen, L. Patil, E. Lee, P. Laskowski, and S. Franconeri, “An Evaluation of Semantically Grouped Word Cloud Designs,†IEEE Trans. Vis. Comput. Graph., vol. 26, no. 9, pp. 2748–2761, Sep. 2020, doi: 10.1109/TVCG.2019.2904683.

M. Ohsaki, P. Wang, K. Matsuda, S. Katagiri, H. Watanabe, and A. Ralescu, “Confusion-Matrix-Based Kernel Logistic Regression for Imbalanced Data Classification,†IEEE Trans. Knowl. Data Eng., vol. 29, no. 9, pp. 1806–1819, Sep. 2017, doi: 10.1109/TKDE.2017.2682249

A. Fahmi, E. Sugiarto, A. Winarno, S. Sumpeno, and M. H. Purnomo, “Waqf Lands Assets Classification Based On Productive Value For Business Development Using Naïve Bayes,†in 2018 International Seminar on Research of Information Technology and Intelligent Systems (ISRITI), Nov. 2018, pp. 622–626. doi: 10.1109/ISRITI.2018.8864489.


Refbacks

  • There are currently no refbacks.