Analisa Sentimen Opini Publik Tentang Vaksinasi Covid-19 di Indonesia Menggunakan Naïve bayes dan Decission Tree
Analysis of Public Opinion Sentiment About Covid-19 Vaccination in Indonesia Using Naïve Bayes and Decission Tree
DOI:
https://doi.org/10.57152/malcom.v1i1.63Keywords:
Analisa Sentimen, Covid-19, Decission Tree, Facebook, NBCAbstract
COVID-19 adalah penyakit baru yang dilaporkan di Wuhan China pada Desember 2019. Berdasarkan dari www.covid19.go.id, di Indonesia per tanggal 20 Januari 2021 terdapat 939 ribu lebih kasus dan sebanyak lebih dari 26 ribu kasus yang mengakibatakan kematian. Pesatnya penyebaran COVID-19 dan bahaya yang ditimbulkan, pemerintahan Indonesia melakukan pencegahan dengan vaksinisasi yang informasinya sudah tersebar diberbagai media sosial, diantarnya ialah facebook page yang dimiliki oleh Kementrian Kesehatan. Facebook page yang memiliki fitur komentar pada postingannya, belum dapat menentukan besar sentimen pengguna tehadap komentar postif atau negatif secara otomatis. Analisa sentimen merupakan bagian dari teks mining untuk pengelompokan polaritas teks dalam mengetahui polaritas suatu opini yang diberikan bersifat positif atau negatif menggunakan algoritma tertentu. Penelitian ini bertujuan untuk memberikan hasil opini masyarakat tentang analisa sentimen vaksinasi COVID-19 menggunakan algoritma Naïve Bayes Classifier (NBC) dan Decision Tree serta membandingkan tingkat akurasi kedua algoritma tersebut. Hasil penelitian analisa sentimen opini masyarakat tentang vaksinasi COVID-19 yang telah dilakukan, cenderung ke tanggapan negatif dengan nilai akurasi 100.00% menggunakan algoritma NBC dan 50.39% menggunakan algoritma Decision Tree.
References
S. S. Aljameel et al., “A Sentiment Analysis Approach to Predict an Individual’s Awareness of the Precautionary Procedures to Prevent COVID-19 Outbreaks in Saudi Arabia,” Int. J. Environ. Res. Public Health, vol. 18, no. 1, p. 218, 2020, doi: 10.3390/ijerph18010218.
F. F. Rachman and S. Pramana, “Analisis Sentimen Pro dan Kontra Masyarakat Indonesia tentang Vaksin COVID-19 pada Media Sosial Twitter,” Indones. Heal. Inf. Manag. J., vol. 8, no. 2, pp. 100–109, 2020.
Ratino, N. Hafidz, S. Anggraeni, and W. Gata, “Sentimen Analisis Informasi Covid-19 menggunakan Support Vector Machine dan Naïve Bayes,” J. JUPITER, vol. 12, no. 2, pp. 1–11, 2019.
Mustakim et al., “DBSCAN algorithm: Twitter text clustering of trend topic pilkada pekanbaru,” J. Phys. Conf. Ser., vol. 1363, no. 1, 2019, doi: 10.1088/1742-6596/1363/1/012001.
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.
A. Rachmat C and Y. Lukito, “Klasifikasi Sentimen Komentar Politik dari Facebook Page Menggunakan Naive Bayes,” J. Inform. dan Sist. Inf. Univ. Ciputra, vol. 02, no. 02, pp. 26–34, 2016.
A. A. Z. A.H. Alamoodi a, B.B. Zaidan, R. Q. M. , O.S. Albahri, K.I. Mohammed, and M. A. E.M. Almahdi, M.A. Chyad, Z. Tareq, A.S. Albahri, Hamsa Hameed, “Sentiment analysis and its applications in fghting COVID-19 and infectious diseases: A systematic review,” Expert Syst. Appl., vol. 14(4), no. January, pp. 337–339, 2020.
R. Kurniawan and A. Apriliani, “Analisis Sentimen Masyarakat Terhadap Visur Corona Berdasarkan Opini dari Twitter Berbasis Web Scrapper,” Inform. Sains dan Teknol., vol. 5, no. 1, 2020.
Mustakim et al., “Data Sharing Technique Modeling for Naive Bayes Classifier for Eligibility Classification of Recipient Students in the Smart Indonesia Program,” 2019, doi: 10.1088/1742-6596/1424/1/012009.
F. Satria, Z. Zamhariri, and M. A. Syaripudin, “Prediksi Ketepatan Waktu Lulus Mahasiswa Menggunakan Algoritma C4.5 Pada Fakultas Dakwah Dan Ilmu Komunikasi UIN Raden Intan Lampung,” J. Ilm. Matrik, vol. 22, no. 1, pp. 28–35, 2020, doi: 10.33557/jurnalmatrik.v22i1.836.
Mustakim, R. Hastarimasuci, P. Papilo, Zarkasih, Zaitun, and A. Nazir, “Variable Selection to Determine Majors of Student using K-Nearest Neighbor and Naïve Bayes Classifier Algorithm,” J. Phys. Conf. Ser., vol. 1363, no. 1, 2019, doi: 10.1088/1742-6596/1363/1/012057.
P. S. M. Inzalkar, J. Sharma, S. M. Inzalkar, and J. D. I. E. T. Yavatmal, “A Survey on Text Mining- techniques and application,” Int. J. Res. Sci. Enginering.
A. A. Lutfi, A. E. Permanasari, and S. Fauziati, “Corrigendum: Sentiment Analysis in the Sales Review of Indonesian Marketplace by Utilizing Support Vector Machine,” J. Inf. Syst. Eng. Bus. Intell., vol. 4, no. 2, p. 169, 2018, doi: 10.20473/jisebi.4.2.169.
I. Santoso, Windu Gata, and Atik Budi Paryanti, “Penggunaan Feature Selection di Algoritma Support Vector Machine untuk Sentimen Analisis Komisi Pemilihan Umum,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 3, no. 3, pp. 364–370, 2019, doi: 10.29207/resti.v3i3.1084.
Y. Mardi, “Data Mining?: Klasifikasi Menggunakan Algoritma C4.5,” J. Edik Inform., 2017.
D. T. Larose, Discovering Knowledge in Data: An Introduction to Data Mining. 2005.
Wahyudin, “Metode Iterative Dichotomizer 3 (ID3) untuk Penyeleksian Penerimaan Mahasiswa Baru,” J. Pendidik. Teknol. Inf. Dan Komun., 2009.
