Analisis Sentiment Covid-19 Di Twitter Menggunakan Metode Naive Bayes Dan SVM

Sri Hadianti; Firman Yosep Tember

doi:10.36294/jurti.v6i1.2557

Analisis Sentiment Covid-19 Di Twitter Menggunakan Metode Naive Bayes Dan SVM

Sri Hadianti, Firman Yosep Tember

Abstract

- Aspirasi masyarakat sangat sulit disampaikan secara langsung, karena terkendala beberapa factor, seperti waktu, ruang dan factor lainnya. Namun, media sosial sekarang digunakan sebagai media menyuarakan saran, kritik dan pendapat kepada masyarakat umum, salah satu media sosial yang digunakan adalah twiter. Namun opini di twitter banyak sekali makna yang berbeda dari setiap pengguna, salah satu nya mengenai COVID-19. Oleh karena itu tujuan penelitian ini adalah menganalisis sentimen publik dari cuitan Twitter mengenai COVID-19 di Indonesia, metode yang digunakan yaitu Naïve Bayes dan Support Vektor Machine. Penelitian ini berfokus pada perbandingan hasil klasifikasi kedua metode tersebut, serta untuk mengetahui kecenderungan opini masyarakat di Twitter. Subjek diambil menggunakan dataset public dengan kata kunci dataset COVID-19. Dimulai dari klasifikasi opini positif dan negative, dan didapatkan hasil akhir. Dari hasil pengujian diketahui metode Suppor Vektor Machine memiliki tingkat akurasi yang paling tinggi dengan tingkat akurasi sebesar 54.21 % dan didapatkan pula kecenderungan opini masyarakat di seluruh duni condong negatif,hal tersebut dapat dilihat dari opini positif sebesar 98 dan negative sebesar 116. Sedangkan metode Naïve Bayes memperoleh tingkat Occurancy sebesar 53.27%.

Keywords

Covid 19, Naïve Bayes, SVM, Sentiment, Twitter.

Full Text:

PDF

References

M. A. Shereen, S. Khan, A. Kazmi, N. Bashir, and R. Siddique, “COVID-19 infection: Origin, transmission, and characteristics of human coronaviruses,” Journal of Advanced Research, vol. 24. Elsevier B.V., pp. 91–98, Jul. 01, 2020, doi: 10.1016/j.jare.2020.03.005.

L. Yang et al., “Epidemiological And Clinical Features Of 200 Hospitalized Patients With Corona Virus Disease 2019 Outside Wuhan, China: A Descriptive Study,” J. Clin. Virol., vol. 129, Aug. 2020, doi: 10.1016/j.jcv.2020.104475.

K. Handayani, E. H. Juningsih, D. Riana, S. Hadianti, A. Rifai, and R. K. Serli, “Measuring the Quality of Website Services covid19.kalbarprov.go.id Using the Webqual 4.0 Method,” in Journal of Physics: Conference Series, Nov. 2020, vol. 1641, no. 1, doi: 10.1088/1742-6596/1641/1/012049.

M. P. Lestari, D. J. Witarsyah, and F. Hamami, “Peramalan Pertambahan Pasien Covid-19 Menggunakan Support Vector Regression Forecasting Growth Of Covid-19 Patients Using Support Vector Regression,” 2021.

E. Kartika Sari, B. Ria EMD, M. Karina Putri, M. Eka Rosita, P. S. Studi, and S. Tinggi Ilmu Kesehatan Akbidyo, “Pangan Fungsional Sebagai Alternatif Penunjang Imun Di Masa Pandemi,” 2021.

E. T. Handayani and A. Sulistiyawati, “Analisis Sentimen Respon Masyarakat Terhadap Kabar Harian Covid-19 Pada Twitter Kementerian Kesehatan Dengan Metode Klasifikasi Naive Bayes,” J. Teknol. dan Sist. Inf., vol. 2, no. 3, pp. 32–37, 2021, [Online]. Available: http://jim.teknokrat.ac.id/index.php/JTSI.

N. P. G. Naraswati, R. Nooraeni, D. C. Rosmilda, D. Desinta, F. Khairi, and R. Damaiyanti, “Analisis Sentimen Publik dari Twitter Tentang Kebijakan Penanganan Covid-19 di Indonesia dengan Naive Bayes Classification,” Sistemasi, vol. 10, no. 1, p. 222, 2021, doi: 10.32520/stmsi.v10i1.1179.

E. I. Elmurngi and A. Gherbi, “Unfair reviews detection on Amazon reviews using sentiment analysis with supervised learning techniques,” J. Comput. Sci., vol. 14, no. 5, pp. 714–726, 2018, doi: 10.3844/jcssp.2018.714.726.

M. Syarifuddin, “Analisis Sentimen Opini Publik Mengenai Covid-19 Pada Twitter Menggunakan Metode Naïve Bayes Dan Knn,” Inti Nusa Mandiri, 2020, doi: 10.33480/inti.v15i1.1347.

Samsir et al., “Naives Bayes Algorithm for Twitter Sentiment Analysis,” J. Phys. Conf. Ser., vol. 1933, no. 1, 2021, doi: 10.1088/1742-6596/1933/1/012019.

S. H. Sahir, R. S. Ayu Ramadhana, M. F. Romadhon Marpaung, S. R. Munthe, and R. Watrianthos, “Online learning sentiment analysis during the covid-19 Indonesia pandemic using twitter data,” IOP Conf. Ser. Mater. Sci. Eng., vol. 1156, no. 1, p. 012011, 2021, doi: 10.1088/1757-899x/1156/1/012011.

P. H. Prastyo, A. S. Sumi, A. W. Dian, and A. E. Permanasari, “Tweets Responding to the Indonesian Government’s Handling of COVID-19: Sentiment Analysis Using SVM with Normalized Poly Kernel,” J. Inf. Syst. Eng. Bus. Intell., vol. 6, no. 2, p. 112, 2020, doi: 10.20473/jisebi.6.2.112-122.

A. Andreyestha and A. Subekti, “Analisa Sentiment Pada Ulasan Film Dengan Optimasi Ensemble Learning,” J. Inform., vol. 7, no. 1, pp. 15–23, 2020, doi: 10.31311/ji.v7i1.6171.

A. Roihan, P. Abas Sunarya, and A. S. Rafika, “Pemanfaatan Machine Learning dalam Berbagai Bidang: Review paper,” IJCIT (Indonesian J. Comput. Inf. Technol., vol. 5, no. 1, pp. 75–82, 2019.

Y. C. Liang, Y. Maimury, A. H. L. Chen, and J. R. C. Juarez, “Machine learning-based prediction of air quality,” Appl. Sci., vol. 10, no. 24, pp. 1–17, 2020, doi: 10.3390/app10249151.

C. Villavicencio, J. J. Macrohon, X. A. Inbaraj, J. H. Jeng, and J. G. Hsieh, “Twitter sentiment analysis towards covid-19 vaccines in the Philippines using naïve bayes,” Inf., vol. 12, no. 5, 2021, doi: 10.3390/info12050204.

Y. Watequlis Syaifudin and D. Puspitasari, “Twitter Data Mining for Sentiment Analysis on Peoples Feedback Against Government Public Policy,” MATTER Int. J. Sci. Technol., vol. 3, no. 1, pp. 110–122, 2017, doi: 10.20319/mijst.2017.31.110122.

F. Taufiqurrahman, S. Al Faraby, and M. D. Purbolaksono, “Klasifikasi Teks Multi Label pada Hadis Terjemahan Bahasa Indonesia Menggunakan Chi Square dan SVM,” e-Proceeding Eng., vol. 8, no. 5, pp. 10650–10659, 2021.

DOI: https://doi.org/10.36294/jurti.v6i1.2557