IMPLEMENTASI SENTIMENT ANALYSIS PADA OPINI MASYARAKAT INDONESIA DI TWITTER TERHADAP VIRUS COVID-19 VARIAN OMICRON DENGAN ALGORITMA NAÏVE BAYES, DECISION TREE, DAN SUPPORT VECTOR MACHINE
DOI:
https://doi.org/10.46984/sebatik.v26i2.1961Keywords:
Decision Tree, Klasifikasi, Naïve Bayes, Omicron, Support Vector Machine, TwitterAbstract
Covid-19 merupakan suatu penyakit pneumonia yang menjadi penyebab pandemi tahun 2020. Selama berlangsungnya pandemi, Covid-19 terus mengalami mutasi genetik yang menghasilkan varian-varian baru dengan fenotip, pola transmisi, dan virulensi yang beragam. WHO sendiri mengelompokkan varian Covid-19 menjadi 3 varian, yaitu Variant of Interest (VoI), Variants under Monitoring (VUM), dan Variants of Concern (VoC) (Susilo et al., 2022). Omicron merupakan muatsi Covid-19 yang termasuk ke dalam dan diperkirakan memiliki daya transmisi lebih cepat daripada varian Delta sehingga diindikasi lebih cepat menyebar (Susilo dkk., 2022). Untuk itu dilakukan penelitian tentang analisis sentimen pengguna Twitter di Indonesia terhadap Covid-19 varian Omicron. Penelitian menerapkan tiga algoritma klasifikasi, di antaranya adalah algoritma Naïve Bayes, algoritma Support Vector Machine, dan algoritma Decision Tree. Penelitian dilakukan dengan menggunakan Python sebagai bahasa pemrograman dan Google Colaboratory sebagai tools. Penelitian ini menggunakan data Tweet sebanyak 3,931 data yang diambil dari tanggal 28 April 2022 hingga 4 Juni 2022. Tahapan pada penelitian ini terdiri dari penarikan data, data preprocessing, pelabelan sentimen, klasifikasi, pengujian model, visualisasi data, serta implementasi algoritma ke dalam platform website. Analisis yang dilakukan, algoritma akurasi tertinggi adalah algoritma Support Vector Machine dengan nilai akurasi sebesar 81,68%, kemudian algoritma Naïve Bayes menghasilkan nilai akurasi sebesar 74,25%, dan algoritma Decision Tree menghasilkan nilai akurasi sebesar 72,77%. Pada ketiga algoritma menggunakan data uji sebanyak 202 data. Sementara itu berdasarkan analisis yang dilakukan, didapatkan sentimen netral dengan sentimen tertinggi sebesar 63,7%, lalu sentimen negatif sebesar 21,1%, dan sentimen positif sebesar 15,2%.
References
de Araujo, A. L., Hardell, C., Koszek, W. A., Wu, J., & Willemink, M. J. (2022a). Data Preparation for Artificial Intelligence. Dalam Artificial Intelligence in Cardiothoracic Imaging (hlm. 37–43). Springer.
de Araujo, A. L., Hardell, C., Koszek, W. A., Wu, J., & Willemink, M. J. (2022b). Data Preparation for Artificial Intelligence. Dalam Artificial Intelligence in Cardiothoracic Imaging (hlm. 37–43). Springer.
Fikriya, Z. A., Irawan, M. I., & Soetrisno, S. (2017). Implementasi extreme learning machine untuk pengenalan objek citra digital. Jurnal Sains Dan Seni ITS, 6(1), A1–A6.
Herwanto, H. (2019). Diagnosa Statistik Pemetaan Pemahaman Bahasa Pemrograman Sebagai Acuan Untuk Mempersiapkan Penelitian Mahasiswa. NUANSA INFORMATIKA, 13(2), 33.
Musa’adah, Y., Wihardi, Y., & others. (2018). Klasifikasi Komentar Spam pada Youtube Menggunakan Metode Naïve Bayes, Support Vector Machine, dan K-Nearest Neighbors. JIKO (Jurnal Informatika Dan Komputer), 3(2), 54–59.
Pamungkas, F. S., Prasetya, B. D., & Kharisudin, I. (2020). Perbandingan Metode Klasifikasi Supervised Learning pada Data Bank Customers Menggunakan Python. PRISMA, Prosiding Seminar Nasional Matematika, 3, 692–697.
Parapat, I. M. (2018). Penerapan Metode Support Vector Machine (SVM) Pada Klasifikasi Penyimpangan Tumbuh Kembang Anak. Universitas Brawijaya.
Retnoningsih, E., & Pramudita, R. (2020). Mengenal Machine Learning Dengan Teknik Supervised Dan Unsupervised Learning Menggunakan Python. Bina Insani Ict Journal, 7(2), 156–165.
Santoso, R. R. (2020). Implementasi Metode Machine Learning Menggunakan Algoritma Evolving Artificial Neural Network Pada Kasus Prediksi Diagnosis Diabetes. Universitas Pendidikan Indonesia.
Saputro, I. W., & Sari, B. W. (2020). Uji Performa Algoritma Na\"\ive Bayes untuk Prediksi Masa Studi Mahasiswa. Creative Information Technology Journal, 6(1), 1–11.
Sari, F. V., & Wibowo, A. (2019). Analisis Sentimen Pelanggan Toko Online Jd. Id Menggunakan Metode Na\"\ive Bayes Classifier Berbasis Konversi Ikon Emosi. Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, 10(2), 681–686.
Sihombing, P. R., & Yuliati, I. F. (2021). Penerapan Metode Machine Learning dalam Klasifikasi Risiko Kejadian Berat Badan Lahir Rendah di Indonesia. MATRIK: Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 20(2), 417–426.
Susilo, A., Jasirwan, C. O. M., Wafa, S., Maria, S., Rajabto, W., Muradi, A., Fachriza, I., Putri, M. Z., & Gabriella, S. (2022). Mutasi dan Varian Coronavirus Disease 2019 (COVID-19): Tinjauan Literatur Terkini. Jurnal Penyakit Dalam Indonesia, 9(1), 59–81.
Swedia ER, Fitriani RR, Cahyanti M, Ernastuti, & Septian MRD. (2022). Feed Forward Neural Network untuk Prediksi Data mplementasi dengan Python dan Flask API pada Sistem Operasi Windows (1 ed., Vol. 978-623-351-612–9). PT. Nas Media Indonesia.
Wijaya, Y. A. (2021). Analisa Klasifikasi menggunakan Algoritma Decision Tree pada Data Log Firewall. JURSIMA (Jurnal Sistem Informasi Dan Manajemen), 9(3), 256–264.
Zukhrufillah, I. (2018). Gejala media sosial twitter sebagai media sosial alternatif. Al-I’lam: Jurnal Komunikasi Dan Penyiaran Islam, 1(2), 102–109.
Downloads
Published
How to Cite
Issue
Section
License
Authors retain all their rights to the published works, such as (but not limited to) the following rights; Copyright and other proprietary rights relating to the article, such as patent rights, The right to use the substance of the article in own future works, including lectures and books, The right to reproduce the article for own purposes, The right to self-archive the article
.png)
