Sentimen Analisis Untuk Mengukur Kepercayaan Masyarakat Terhadap Pengadaan Vaksin Covid-19 Berbasis Bernoulli Naive Bayes
Abstract
Penelitian ini berisi tentang analisis sentimen masyarakat Indonesia pada Twitter terhadap kebijakan pemerintah dalam menangani kasus pandemi covid-19. Penelitian ini menggunakan metode Bernoulli Naive Bayes dalam melakukan pemodelan dan pengujian klasifikasi terhadap data sentimen. Digunakan juga metode pengukuran performa akurasi, presisi dan recall untuk mengukur performa metode Bernoulli Naive Bayes. Pada pembagian dan skenario pengujian digunakan teknik K Fold Cross Validation dengan nilai k = 2, 4, 5, 8 dan 10. ketidakseimbangan data dalam penelitian ini diselesaikan dengan menggunakan teknik Synthetic Minority Oversampling Technique (SMOTE). Dari hasil pengujian dengan model tanpa menggunakan teknik Synthetic Minority Oversampling Technique (SMOTE) diperoleh hasil dengan tingkat akurasi sebesar 80.58%, tingkat presisi sebesar 80.33% dan tingkat recall sebesar 85.57%. sedangkan hasil pengujian dengan menggunakan teknik Synthetic Minority Oversampling Technique (SMOTE) pada pemodelan, diperoleh tingkat akurasi 80.20%, tingkat presisi 78.04% dan tingkat recall 86.77%.
Downloads
References
JOHNS HOPKINS WHITING SCHOOL OF ENGINEERING, “JHU CSSE – Center For Systems Science and Engineering at JHU,” www.ystems.jhu.edu, 2020. https://systems.jhu.edu/ (accessed May 20, 2020).
www.covid19.go.id, “Terapkan Protokol Kesehatan, Polisi Jaring 5,7 Juta Pelanggar,” www.covid19.go.id, 2020. https://covid19.go.id/p/berita/terapkan-protokol-kesehatan-polisi-jaring-57-juta-pelanggar
M. Pluto, “Tweet: bukan penganut teori konspirasi COVID, cuma paham...,” www.twitter.com, 2021. https://twitter.com/bayu_r_bay/status/1349240281607012354
Ega, “Tweet : Vaksin dong, ikhtiar. Usaha dulu biar terhindar dari virus...,” www.twitter.com, 2021. https://twitter.com/kataegaa/status/1349250373022674945
E. Nugroho, Perancangan Sistem Deteksi Plagiarisme Dokumen Teks Dengan Menggunakan Algoritma Rabin-Karp, vol. 34, no. 2. Universitas Brawiaya, 2011. [Online]. Available: http://www.tandfonline.com/doi/abs/10.1080/01402390.2011.569130%5Cnhttp://proxy.library.upenn.edu:2195/doi/abs/10.1080/01402390.2011.569130
F. Z. Tala, “A Study of Stemming Effects on Information Retrieval in Bahasa Indonesia,” M.Sc. Thesis, Append. D, vol. pp, pp. 39–46, 2003.
M. A. Hall and L. A. Smith, “Feature Selection for Machine Learning: Comparing a Correlation-based Filter Approach to the Wrapper,” FLAIRS Conf., pp. 235–239, 1995.
I. H. Witten, Z. Bray, M. Mahoui, and B. Teahan, “Text mining: a new frontier for lossless compression,” Data Compression Conf. Proc., pp. 198–207, 1999, doi: 10.1109/dcc.1999.755669.
R. Siringoringo, “Klasifikasi Data Tidak Seimbang Menggunakan Algoritma SMOTE dan k-Nearest Neighbor,” J. ISD, vol. 3, no. 1, 2018.
Suyanto, Data Mining Untuk Klasifikasi dan Klasterisasi Data, no. May. Informatika Bandung, 2017.
T. Rosandy, “PERBANDINGAN METODE NAIVE BAYES CLASSIFIER DENGAN METODE DECISION TREE (C4.5) UNTUK MENGANALISA KELANCARAN PEMBIAYAAN (Study Kasus : KSPPS / BMT AL-FADHILA,” J. Teknol. Inf. Magister Darmajaya, vol. 2, no. 01, pp. 52–62, 2016.
M. Haltuf, “Support Vector Machines for Credit Scoring,” no. August 2014, 2014.
Copyright (c) 2022 Hanifatul Azizah, Bagus Setya Rintyarna, Triawan Adi Cahyanto
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
