ANALISIS SENTIMEN KLASIFIKASI TWEET VAKSIN COVID 19 DENGAN NAÏVE BAYES
DOI:
https://doi.org/10.51544/jurnalmi.v6i2.2449Keywords:
Twitter, Vaksin, Covid-19, Naïve BayesAbstract
Medsos Twitter memiliki pengguna sebanyak 332 juta dengan ± 500 juta tweet yang dikirimkan per harinya dan 200 miliar tweet per tahun. Pemerintahan sekarang juga tidak lepas dari komentar publik tentang kebijakan vaksin Covid 19. Kebijakan Indonesia dalam program vaksinasi Covid 19 kebalikan dari kebijaksanaan sejumlah negara, para ahli mengatakan kelompok pertama yang divaksinasi haruslah staf medis garis depan dan kemudian orang tua. Pemerintah Indonesia lebih memilih untuk menyuntik vaksin Covid 19 bagi tenaga kesehatan yang berada di garis terdepan melawan pandemi Covid-19. Penelitian ini bertujuan untuk mengimplementasi algoritma Naïve Bayes Classifier (NBC) dalam mengklasifikasikan sebuah tweet opini sehingga dapat diketahui termasuk ke dalam kelas bersentimen positif atau negatif dan menganalisis nilai dari ketepatan algoritma Naïve Bayes Classifier. Metode NBC untuk menjalankan klasifikasi tweet vaksin Covid 19 dalam klasifikasi bersentimen positif atau negatif dengan 275 data latih dan 25 data uji yang diperoleh menghasilkan ketepatan 96 % dengan jumlah klasifikasi sentimen positif adalah 24 dan jumlah klasifikasi sentimen negatif adalah 0. Hasil yang diperoleh dalam proses pengklasifikasian mendapatkan akurasi yang cukup tinggi yaitu 96 % maka dari itu metode NBC bisa dipergunakan dalam menjalankan klasifikasi tweet vaksin Covid 19 positif atau negatif secara otomatis.
Downloads
References
Nasrullah, R. Media Sosial Perspektif Komunikasi, Budaya, Sosioteknologi. Simbiosa Rekatama Media. Bandung. 2016
Maulana, A. Twitter Rahasiakan Jumlah Pengguna di Indonesia. Website: https://www.cnnindonesia.com/teknologi/20160322085045-185-118939/twitter-rahasiakan-jumlah-pengguna-di-indonesia. Diakses 20 September 2020. 2016
Arunachalam, R., & Sarkar, S. The new eye of government: Citizen sentiment analysis in sosial media. In Sixth International Joint Conference on Natural Language Processing (p. 23). 2015
Permenpan. Pedoman Pemanfaatan Media Sosial Instansi Pemerintah. 2012
Arifin, BH. Pengguna Twitter Indonesia Terbanyak Ketiga Dunia. http://www.enciety.co/pengguna-twitter-indonesia-terbanyak-ketiga-unia. Diakses 20 September 2021. 2015
A. Harun and D. P. Ananda, “Analisa Sentimen Opini Publik Tentang Vaksinasi Covid-19 di Indonesia Menggunakan Naïve Bayes dan Decission Tree,” Indones. J. Mach. Learn. Comput. Sci., vol. 1, no. April, 2021.
Liu, B. Sentiment Analysis And Opinion Mining. Morgan dan Claypool Publisher. 2012
Santosa, B. Data Mining: Teknik Pemanfaatan Data Untuk Keperluan Bisnis. GrahaIlmu. Yogyakarta. 2015
Devita, R. N., Herwanto, H.W., & Wibawa, A. P., (2018) Perbandingan Kinerja Metode Naive Bayes Dan K-Nearest Neighbor Untuk Klasifikasi Artikel Berbahasa Indonesia. Jurnal Teknologi Informasi dan Ilmu Komputer. 5(4) September. pp. 427-434
Suryono, S., Utami, E., & Luthfi, E. T. Analisis Sentiment Pada Twitter Dengan Menggunakan Metode Naïve Bayes Classifier. Prosiding Seminar Nasional Geotik. pp.9-15. 2018
Rozi, I. F., Hamdana, E. N., & Alfahmi, M. B. I. Pengembangan Aplikasi Analisis Sentimen Twitter Menggunakan Metode Naïve Bayes Classifier (Studi Kasus SAMSAT Kota Malang). Jurnal Informatika Polinema. 4(2) Februari. pp.149-154. 2018
Symeonidis, S., Effrosynidis, D., & Arampatzis, A. A comparative evaluation of pre-processing techniques and their interactions for Twitter sentiment analysis. Expert Systems With Applications, 110, 298–310. 2018
Berry, M.W. & Kogan, J. Text Mining Aplication and Theory. Wiley. United Kingdom. 2015
Pratama, I. D. Bahasa Komplain di Media Sosial Twitter. Jurnal Bahasa, Sastra, dan Pengajarannya, 1(1), 35-56. 2017