ANALISIS SENTIMENT PENGGUNAAN VAKSIN COVID-19 MENGGUNAKAN GEO-TAGGED TWEETS DAN ALGORITMA NAIVE BAYES

Authors

  • Azy Mushofy Anwary UNIVERSITAS JENDERAL ACHMAD YANI
  • Asep ID Hadiana Universitas Jenderal Achmad Yani
  • Puspita Nurul Sabrina Universitas Jenderal Achmad Yani

DOI:

https://doi.org/10.36423/index.v3i2.876

Keywords:

Twitter, Aanalisis Sentiment, Naïve Bayes, Geo-Tagged

Abstract

Sentimen analisis adalah salah satu teknik yang dapat dilakukan untuk mengolah suatu opini dari masyarakat salah satunya pada media sosial yaitu twitter. Dengan sentiment analisis data twitter tersebut dapat diketahui apakah polaritas suatu data tersebut akan mengarah pada sifat positif, negatif, atau netral. Penelitian ini menggunakan topik vaksin Covid-19 yang didapat dari Twitter. Metode yang digunakan dalam penelitian ini adalah metode naïve bayes. Metode naïve bayes adalah metode yang sering digunakan dalam mengkategorikan teks dan sangat cocok digunakan untuk implementasi analisis sentiment. Pada penelitian ini juga terdapat fitur tambahan yaitu fitur Geo-Tagged, fitur ini berguna untuk mengambil data pengguna twitter agar mengetahui lokasi dan waktu pengguna pada saat melakukan tweet. Ada beberapa proses yang dilakukan pada penelitian ini diantaranya pengumpulan data, pelabelan data, preprocessing data, feature extraction, penyeimbangan kelas label, mengklasifikasikan data menggunakan metode naïve bayes, melakukan visualisasi data berupa maps dan yang terakhir yaitu evaluasi hasil. Penelitian ini menghasilkan nilai akurasi (79%) dengan dibantu oleh metode synthetic minority oversampling technique. Data yang digunakan sebesar 1132 dataset yang diambil langsung menggunakan Teknik crawling dengan liblary twint. Wilayah yang melakukan tweet terbanyak jatuh kepada wilayah Karawang dengan sentimen positif  70 tweet, sentimen negatif 12 tweet dan sentimen netral 13 tweet.

References

M. Wongkar and A. Angdresey, “Sentiment Analysis Using Naive Bayes Algorithm Of The Data Crawler: Twitter,” Proc. 2019 4th Int. Conf. Informatics Comput. ICIC 2019, pp. 1–5, 2019, doi: 10.1109/ICIC47613.2019.8985884.

V. Chandani, F. I. Komputer, and U. D. Nuswantoro, “Komparasi Algoritma Klasifikasi Machine Learning Dan Feature Selection pada Analisis Sentimen Review Film,” J. Intell. Syst., vol. 1, no. 1, pp. 56–60, 2015.

A. I. H. Raflialdy Raksanagara, Yulison Herry Chrisnanto, “Analisis Sentimen Jasa Ekspedisi Barang Menggunakan Metode Naïve Bayes,” Pros. SNST Fak. Tek., vol. 1, no. 1, 2016.

R. K. Poluru, B. Bhushan, B. S. Muzamil, P. K. Rayani, and P. K. Reddy, “Applications of Domain-Specific Predictive Analytics Applied to Big Data,” no. January 2019, pp. 289–306, 2018, doi: 10.4018/978-1-5225-4999-4.ch016.

D. G. Nugroho, Y. H. Chrisnanto, and A. Wahana, “Analisis Sentimen Pada Jasa Ojek Online ... (Nugroho dkk.),” pp. 156–161, 2015.

W. L. Lim, C. C. Ho, and C.-Y. Ting, “Sentiment Analysis by Fusing Text and Location Features of Geo-Tagged Tweets,” IEEE Access, vol. 8, no. September, pp. 181014–181027, 2020, doi: 10.1109/access.2020.3027845.

Y. Sharma and V. Mangat, “Pendekatan Praktis untuk Analisis Sentimen Tweet Hindi,” no. September, pp. 4–5, 2015.

A. Puri, P. Arora, and N. Sardana, “Analysis and Visualisation of Geo-Referenced Tweets for Real-Time Information Diffusion,” Procedia Comput. Sci., vol. 132, no. Iccids, pp. 1138–1146, 2018, doi: 10.1016/j.procs.2018.05.028.

V. Amrizal, “Penerapan Metode Term Frequency Inverse Document Frequency (Tf-Idf) Dan Cosine Similarity Pada Sistem Temu Kembali Informasi Untuk Mengetahui Syarah Hadits Berbasis Web (Studi Kasus: Hadits Shahih Bukhari-Muslim),” J. Tek. Inform., vol. 11, no. 2, pp. 149–164, 2018, doi: 10.15408/jti.v11i2.8623.

Z. Song and C. Xia, “Analisis Sentimen Spasial dan Temporal data Twitter,” pp. 205–221.

W. Yulita et al., “Analisis Sentimen Terhadap Opini Masyarakat Tentang Vaksin Covid-19 Menggunakan Algoritma Naïve Bayes Classifier,” Jdmsi, vol. 2, no. 2, pp. 1–9, 2021.

A. Makmun and S. F. Hazhiyah, “Tinjauan Terkait Pengembangan Vaksin Covid 19,” Molucca Medica, vol. 13, pp. 52–59, 2020, doi: 10.30598/molmed.2020.v13.i2.52.

A. Deviyanto and M. D. R. Wahyudi, “Penerapan Analisis Sentimen Pada Pengguna Twitter Menggunakan Metode K-Nearest Neighbor,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 3, no. 1, p. 1, 2018, doi: 10.14421/jiska.2018.31-01.

E. Sutoyo, M. Asri Fadlurrahman, J. Telekomunikasi Jl Terusan Buah Batu, K. Dayeuhkolot, K. Bandung, and J. Barat, “JEPIN (Jurnal Edukasi dan Penelitian Informatika) Penerapan SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Television Advertisement Performance Rating Menggunakan Artificial Neural Network.”

A. Nur Rais, W. Kurniawan, R. Ardianto, S. Informasi Akuntansi Universitas Bina Sarana Informatika, J. Kramat Raya No, and J. Pusat, “Analisa Akurasi Dan F1 Score Pada Algoritma Smote Dan Naïve Bayes Pada Dataset Bank Direct Marketing,” J. Speed-Sentra Penelit. Eng. dan Edukasi, vol. 11, no. 4, 2019.

M. A. F. Prananda Antinasari, Rizal Setya Perdana, “Analisis Sentimen Tentang Opini Film Pada Dokumen Twitter Berbahasa Indonesia Menggunakan Naive Bayes Dengan Perbaikan Kata Tidak Baku,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 12, pp. 1733–1741, 2017, [Online]. Available: http://j-ptiik.ub.ac.id.

T. E. Putri, R. T. Subagio, Kusnadi, and P. Sobiki, “Classification System of Toddler Nutrition Status using Naïve Bayes Classifier Based on Z- Score Value and Anthropometry Index,” J. Phys. Conf. Ser., vol. 1641, no. 1, 2020, doi: 10.1088/1742-6596/1641/1/012005.

H. T. Sueno, “Converting Text to Numerical RepresentationusingModified Bayesian Vectorization Technique for Multi-Class Classification,” Int. J. Adv. Trends Comput. Sci. Eng., vol. 9, no. 4, pp. 5618–5623, 2020, doi: 10.30534/ijatcse/2020/211942020.

D. Twitter, “Tweet geospatial metadata | Twitter Developer.” https://developer.twitter.com/en/docs/tutorials/tweet-geo-metadata.

D. Twitter, “Filtering Tweets by location | Twitter Developer.” https://developer.twitter.com/en/docs/tutorials/filtering-tweets-by-location.

A. Andriani, “Sistem Pendukung Keputusan Berbasis Decision Tree Dalam Pemberian Beasiswa Studi Kasus : Amik ‘ BSI Yogyakarta ,’” Semin. Nas. Teknol. Inf. dan Komun. 2013 (SENTIKA 2013), vol. 2013, no. SENTIKA, pp. 163–168, 2013, [Online]. Available: https://repository.bsi.ac.id/index.php/unduh/item/48930/Sentika_2013Anik-Andriani.pdf.

Downloads

Published

2021-11-30