Analisis Sentimen dan Emosi Vaksin Sinovac pada Twitter menggunakan Naïve Bayes dan Valence Shifter

Penulis

  • Bagus Muhammad Akbar Universitas Pembangunan Nasional "Veteran" Yogyakarta
  • Ahmad Taufiq Akbar Universitas Pembangunan Nasional "Veteran" Yogyakarta
  • Rochmat Husaini Universitas Pembangunan Nasional "Veteran" Yogyakarta

DOI:

https://doi.org/10.54914/jtt.v7i2.433

Kata Kunci:

Sentimen, Naïve Bayes, Valence, Covid-19, Sinovac

Abstrak

Vaksin Sinovac termasuk dalam berita tentang Covid-19 di dunia sejak awal tahun 2021. Informasi jenis vaksin ini memunculkan berbagai tanggapan publik yang tidak luput dari pro dan kontra. Melalui media sosial Twitter, masyarakat dunia juga menanggapi persoalan vaksin Sinovac sehingga kumpulan opini pada Twitter tersebut dapat dianalisis untuk mengetahui persentase sentimen dan emosi terhadap vaksin Sinovac. Dengan analisis sentimen dan emosi ini diharapkan dapat memberikan referensi yang bijak dan objektif meskipun informasi pro dan kontra masih beredar. Penelitian ini menggunakan aplikasi Rstudio untuk analisis sentimen melalui klasifikasi opini Twitter dengan metode Naïve Bayes dan Valence Shifter Lexicon. Untuk analisis emosi menggunakan klasifikasi dengan metode Naïve Bayes. Data penelitian merupakan kumpulan komentar Twitter berbahasa Inggris sebatas 2000 data terbaru dan terpopuler berdasarkan keyword Sinovac sejak 1 Februari 2021 dari seluruh pengguna Twitter di dunia. Hasil penelitian menunjukkan Naïve Bayes mengenali sebanyak 1433 (71,65%) sentimen positif, 403 (20,15%) sentimen negatif, dan 164 (8,2%) sentimen netral.  Sedangkan Valence Shifter Lexicon mengenali sebanyak 903 (45,15%) sentimen positif, 437 (21,85%) sentimen negatif, dan sentimen netral sebesar 660 (33%). Metode Naïve Bayes juga berhasil mengenali emosi dengan jumlah terbanyak yakni emosi campuran (mixed) 1727(86,35%) dan emosi joy (gembira) sebanyak 141 (7,05%).

Unduhan

Data unduhan belum tersedia.

Referensi

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.Pristiyono, M. Ritonga, M. A. Al Ihsan, A. Anjar, and F. H. Rambe, “Sentiment analysis of COVID-19 vaccine in Indonesia using Naïve Bayes Algorithm,” IOP Conf. Ser. Mater. Sci. Eng., vol. 1088, no. 1, p. 012045, 2021, doi: 10.1088/1757-899x/1088/1/012045.

B. M. Akbar, A. T. Akbar, and R. Husaini, “Classification of Sentiments on Twitter Opinions with The Keyword Sinovac Using Naïve Bayes,” Pros. Semin. Nas. Inform., vol. 1, no. 1, pp. 161–172, 2021, [Online]. Available: http://jurnal.upnyk.ac.id/index.php/semnasif/article/view/6070/3929.

F. F. Rachman and S. Pramana, “Analisis Sentimen Pro dan Kontra Masyarakat Indonesia tentang Vaksin COVID-19 pada Media Sosial Twitter,” Heal. Inf. Manag. J., vol. 8, no. 2, pp. 100–109, 2020, [Online]. Available: https://inohim.esaunggul.ac.id/index.php/INO/article/view/223/175.

A. K. Fauziyyah, “Analisis Sentimen Pandemi Covid19 Pada Streaming Twitter Dengan Text Mining Python,” J. Ilm. SINUS, vol. 18, no. 2, p. 31, 2020, doi: 10.30646/sinus.v18i2.491.

F. Fitriana, E. Utami, and H. Al Fatta, “Analisis Sentimen Opini Terhadap Vaksin Covid - 19 pada Media Sosial Twitter Menggunakan Support Vector Machine dan Naïve Bayes,” J. Komtika (Komputasi dan Inform., vol. 5, no. 1, pp. 19–25, 2021, doi: 10.31603/komtika.v5i1.5185.

B. Liu, “Sentiment analysis and subjectivity,” in Handbook of Natural Language Processing, Second Edition, 2010, pp. 627–666.

A. Sari, F. V., & Wibowo, “Analisis Sentimen Pelanggan Toko Online Jd. Id Menggunakan Metode Naïve Bayes Classifier Berbasis Konversi Ikon Emosi,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 2, no. 2, pp. 681–686, Nov. 2019, Accessed: Sep. 22, 2021. [Online]. Available: https://jurnal.umk.ac.id/index.php/simet/article/view/3487.

A. S. Aribowo and S. Khomsah, “Implementation Of Text Mining For Emotion Detection Using The Lexicon Method (Case Study: Tweets About Covid-19),” Telematika, vol. 18, no. 1, p. 49, 2021, doi: 10.31315/telematika.v18i1.4341.

S. Balbi, M. Misuraca, and G. Scepi, “Combining different evaluation systems on social media for measuring user satisfaction,” Inf. Process. Manag., vol. 54, no. 4, pp. 674–685, 2018, doi: 10.1016/j.ipm.2018.04.009.

A. T. Akbar, R. Husaini, B. M. Akbar, and S. Saifullah, “A proposed method for handling an imbalance data in classification of blood type based on Myers-Briggs type indicator,” J. Teknol. dan Sist. Komput., vol. 8, no. 4, pp. 276–283, 2020, doi: 10.14710/jtsiskom.2020.13625.

L. S.Katore and J. S. U. J.S.Umale, “Comparative Study of Recommendation Algorithms and Systems using WEKA,” Int. J. Comput. Appl., vol. 110, no. 3, pp. 14–17, 2015, doi: 10.5120/19295-0731.

A. Mustofa Hidayat and M. Syafrullah, “Algoritma Naïve Bayes Dalam Analisis Sentimen Untuk Klasifikasi Pada Layanan Internet PT.XYZ,” J. Telemat. MKOM, vol. 9, no. 2, pp. 91–95, 2017, [Online]. Available: http://journal.budiluhur.ac.id/index.php/telematika/article/view/532.

F. Ratnawati, “Implementasi Algoritma Naïve Bayes Terhadap Analisis Sentimen Opini Film Pada Twitter,” INOVTEK Polbeng - Seri Inform., vol. 3, no. 1, p. 50, 2018, doi: 10.35314/isi.v3i1.335.

Andros, D. Prawita, J. Karsten, and M. Vinandar, “Perbandingan Algoritma Pendeteksian Spam,” J. Teknol. Terpadu, vol. 1, no. 1, pp. 1–5, 2015.

N. Saputra, “( Sentiment Analisys With Lexicon Preprocessing ),” Din. Inform., vol. 7, no. 1, pp. 45–57, 2019.

I. Rish, “An Empirical Study of the Naïve Bayes Classifier An empirical study of the Naïve Bayes classifier,” no. January 2001, 2014, [Online]. Available: https://www.researchgate.net/publication/228845263_An_Empirical_Study_of_the_Naive_Bayes_Classifier/link/00b7d52dc3ccd8d692000000/download.

J. Jtik, J. Teknologi, R. T. Aldisa, and M. A. Abdullah, “Analisis Sentimen Mengenai Vaksin Sinovac di Media Sosial Twitter Menggunakan Metode Naïve bayes Classification,” vol. 6, no. 3, pp. 1–5, 2022.

M. Misuraca, A. Forciniti, G. Scepi, and M. Spano, “Sentiment Analysis for Education with R: packages, methods and practical applications,” no. 2008, 2020, [Online]. Available: http://arxiv.org/abs/2005.12840.

E. Riloff and J. Wiebe, “Learning extraction patterns for subjective expressions,” pp. 105–112, 2003, doi: 10.3115/1119355.1119369.

C. Strapparava and A. Valitutti, “WordNet-Affect: An affective extension of WordNet,” Proc. 4th Int. Conf. Lang. Resour. Eval. Lr. 2004, pp. 1083–1086, 2004.

A. F. Hidayatullah, “Pengaruh Stopword Terhadap Performa Klasifikasi Tweet Berbahasa Indonesia,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 1, no. 1, pp. 1–4, 2016.

Diterbitkan

2021-12-30

Cara Mengutip

[1]
B. M. Akbar, A. T. Akbar, dan R. . . Husaini, “Analisis Sentimen dan Emosi Vaksin Sinovac pada Twitter menggunakan Naïve Bayes dan Valence Shifter”, j. teknologi terpadu, vol. 7, no. 2, hlm. 83-92, Des 2021.

Terbitan

Bagian

Artikel

Artikel paling banyak dibaca berdasarkan penulis yang sama