Analisis Sentimen Masyarakat Terhadap Vaksinasi Covid-19 di Twitter Menggunakan Metode Random Forest Classifier (Studi Kasus: Vaksin Sinovac)

Article Sidebar

View PDF
Published Jun 8, 2022
DOI https://doi.org/10.20895/inista.v4i2.575

Main Article Content

Muhammad Yusril Aldean
Student
Paradise Paradise
Institut Teknologi Telkom Purwokerto
Novanda Alim Setya Nugraha
Institut Teknologi Telkom Purwokerto

Abstract

Pada tahun 2019 terjadi musibah yang melanda berbagai negara didunia termasuk Indonesia. Terjadi penyebaran virus secara cepat dan menyeluruh, yaitu Virus Covid-19. Kasus Covid-19 pertama di dunia terdeteksi di Kota Wuhan, Provinsi Hubei, China. Penyakit ini disebabkan oleh virus sindrom pernafasan akut Coronavirus 2 (SARS-CoV-2. Indonesia sendiri sudah melalukan langkah vaksinasi untuk Virus Covid-19, dengan menggunakan beberapa jenis vaksin yang salah satunya adalah Vaksin Sinovac. Program vaksinasi yang dilakukan di Indonesia menuai banyak pro dan kontra khususnya dari masyarakat. Banyak dari masyakarat yang menyampaikan pendapatnya melalui media sosial berbasis teks, salah satu sosial media yang sering digunakan adalah Twitter. Sehingga sentimen masyarakat yang terdapat di media sosial dapat menjadi tolak ukur bagaimana informasi melalui media sosial yang diterima oleh masyakarat adalah hal positif ataupun hal negatif, sehingga dapat dievaluasi bersama. Pada penelitian ini dibuat sebuah metode machine learning untuk menganalisis sentimen masyarakat pada program vaksinasi menggunakan Vaksin Sinovac. Penelitian ini menggunakan tweet sebanyak 1500 data dengan pembagian 2 kategori yaitu positif dan negatif. Pengoalahan data yang digunakan pada penelitian ini adalah dengan menggunakan Algoritme TF-IDF serta penyeimbangan data menggunakan SMOTE. Model yang dibuat akan dilatih dengan Algoritme Random Forest Classifier dan akan divalidasi menggunakan K-fold Cross Validation dan Confusion Matrix. Hasil pada penelitian ini adalah sentimen masyarakat terhadap Vaksinasi Sinovac adalah positif dan model dapat memprediksi sentiment sebuah tweet dengan akurasi mencapai 79% dan nilai Precision sebesar 85%, Recall sebesar 90% dan F1 Score sebesar 88%..

Article Details

How to Cite
Aldean, M., Paradise, P., & Setya Nugraha, N. (2022). Analisis Sentimen Masyarakat Terhadap Vaksinasi Covid-19 di Twitter Menggunakan Metode Random Forest Classifier (Studi Kasus: Vaksin Sinovac). Journal of Informatics Information System Software Engineering and Applications (INISTA), 4(2), 64-72. https://doi.org/10.20895/inista.v4i2.575
Issue
Vol 4 No 2 (2022): Mei 2022
Section
Articles

Copyright Notice

 

Authors who publish with Journal of Informatics, Information System, Software Engineering and Applications (INISTA) agree to the following terms:

  • Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License (CC BY-SA 4.0) that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
  • Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
  • Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.

References

[1] R. H. Syah, “Dampak Covid-19 pada Pendidikan di Indonesia: Sekolah, Keterampilan, dan Proses Pembelajaran,” SALAM J. Sos. dan Budaya Syar-i, vol. 7, no. 5, 2020, doi: 10.15408/sjsbs.v7i5.15314.
[2] A. L. Fairuz, R. D. Ramadhani, and N. A. F. Tanjung, “Analisis Sentimen Masyarakat Terhadap COVID-19 Pada Media Sosial Twitter,” vol. 1, no. 1, pp. 10–12, 2021.
[3] T. Tamara, “Gambaran Vaksinasi COVID-19 di Indonesia pada Juli 2021,” Medula, vol. 11, no. 1, pp. 180–183, 2021.
[4] N. M. Nasir, I. S. Joyosemito, B. Boerman, and I. Ismaniah, “Kebijakan Vaksinasi COVID-19: Pendekatan Pemodelan Matematika Dinamis Pada Efektivitas Dan Dampak Vaksin Di Indonesia,” J. Pengabdi. Kpd. Masy. UBJ, vol. 4, no. 2, pp. 191–204, 2021, doi: 10.31599/jabdimas.v4i2.662.
[5] G. Farina and H. Fikri, “Aspek Hukum Pelaksanaan Vaksinasi Covid-19 Di Indonesia,” J. RechtsVinding, vol. 10, no. April, p. 1263, 2021, doi: 10.24912/psenapenmas.v0i0.15162.
[6] G. A. Buntoro, “Analisis Sentimen Calon Gubernur DKI Jakarta 2017 Di Twitter,” Integer J., vol. 2, no. 1, pp. 32–41, 2017.
[7] D. Irawan, E. B. Perkasa, Y. Yurindra, D. Wahyuningsih, and E. Helmud, “Perbandingan Klassifikasi SMS Berbasis Support Vector Machine, Naive Bayes Classifier, Random Forest dan Bagging Classifier,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 10, no. 3, pp. 432–437, 2021, doi: 10.32736/sisfokom.v10i3.1302.
[8] M. K. Sari, “Sosialisasi tentang Pencegahan Covid-19 di Kalangan Siswa Sekolah Dasar di SD Minggiran 2 Kecamatan Papar Kabupaten Kediri,” J. Karya Abdi, vol. 4, no. 1, pp. 80–83, 2020.
[9] Sarip, A. Syarifudin, and A. Muaz, “Dampak Covid-19 Terhadap Perekonomian Masyarakat Dan Pembangunan Desa,” J. Penelit. Ekon. Syariah, vol. 21, no. 1, pp. 1–9, 2020.
[10] I. Abdullah, “COVID-19: Threat and Fear in Indonesia,” Psychol. Trauma Theory, Res. Pract. Policy, vol. 12, no. 5, pp. 488–490, 2020, doi: 10.1037/tra0000878.
[11] I. P. Sari and S. Sriwidodo, “Perkembangan Teknologi Terkini dalam Mempercepat Produksi Vaksin COVID-19,” Maj. Farmasetika, vol. 5, no. 5, p. 204, 2020, doi: 10.24198/mfarmasetika.v5i5.28082.
[12] I. R. S. Turnip, “Kehalalan Vaksin Covid-19 Produksi Sinovac Dalam Fatwa Mui Dan Implementasi Vaksinasinya Pada Tenaga Kesehatan Di Puskesmas Tanjung Morawa, Deli Serdang (Perspektif Qawaidh Fiqhiyyah),” J. Huk. Islam dan Pranata Sos. Islam, vol. 9, no. 01, pp. 59–83, 2021, doi: 10.30868/am.v9i01.1250.
[13] K. Ramadhan and K. Muslim, “Analisis Sentimen Terhadap Toko Online Menggunakan Naive Bayes Pada Media Sosial Twitter,” eProceedings Eng., vol. 5, no. 3, pp. 8141–8151, 2018.
[14] N. Saputra, T. B. Adji, and A. E. Permanasari, “Analisis Sentimen Data Presiden Jokowi dengan Preprocessing Normalisasi dan Stemming Menggunakan Metode Naive Bayes dan SVM,” J. Din. Inform., vol. 5, no. November, p. 12, 2015.
[15] E. Fitri, “Analisis Sentimen Terhadap Aplikasi Ruangguru Menggunakan Algoritma Naive Bayes, Random Forest Dan Support Vector Machine,” J. Transform., vol. 18, no. 1, p. 71, 2020, doi: 10.26623/transformatika.v18i1.2317.
[16] D. S. Adhiarso, P. Utari, and Y. Slamet, “Pemberitaan Hoax di Media Online Ditinjau dari Konstruksi Berita dan Respon Netizen,” J. Ilmu Komun., vol. 15, no. 3, p. 215, 2017, doi: 10.31315/jik.v15i3.2173.
[17] M. Y. Aldean, M. D. Hilmawan, R. Indriyati, and J. Lasama, “Analisa Relevansi Tweet terhadap Hashtag dengan Metode Logistic Regression,” CENTIVE, vol. 2, no. 1, pp. 32–38, 2019.
[18] A. A. Budiman and S. Widiksono, “Aplikasi Pengolahan Data Untuk Menganalisa Penggunaan Hashtag Pada Twitter,” vol. 8, no. 2, 2018.
[19] L. C. Dewi, Meiliana, and A. Chandra, “Social media web scraping using social media developers API and regex,” Procedia Comput. Sci., vol. 157, pp. 444–449, 2019, doi: 10.1016/j.procs.2019.08.237.
[20] J. Graën, M. Bertamini, and M. Volk, “Cutter - A universal multilingual tokenizer,” CEUR Workshop Proc., vol. 2226, no. June, pp. 75–81, 2018.
[21] B. P. . Zen, I. . Susanto, and D. . Finaliamartha, “TF-IDF Method and Vector Space Model Regarding the Covid-19 Vaccine on Online News”, SinkrOn, vol. 6, no. 1, pp. 69-79, Oct. 2021
[22] B. Herwijayanti, D. E. Ratnawati, and L. Muflikhah, “Klasifikasi Berita Online dengan menggunakan Pembobotan TF-IDF dan Cosine Similarity,” Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 1, pp. 306–312, 2018.
[23] P. Arsi, L. N. Hidayati, and A. Nurhakim, “Komparasi Model Klasifikasi Sentimen Issue Vaksin Covid-19 Berbasis Platform Instagram,” vol. 6, pp. 459–466, 2022, doi: 10.30865/mib.v6i1.3509.
[24] C. E. Puspita, O. N. Pratiwi, and E. Sutoyo, “PERBANDINGAN ALGORITMA KLASIFIKASI SUPPORT VECTOR MACHINE DAN NAIVE BAYES PADA IMBALANCE DATA,” Jurteksi(Jurnal Teknol. dan Sist. Informasi), vol. VIII, no. 1, pp. 11–18, 2021.
[25] J. Lasama, A. P. E. P, and A. Prasetiadi, “Prediksi Tsunami Pada Gempa Menggunakan Random Forest Classifier,” Conf. Electr. Eng. Telemat. Ind. Technol. Creat. Media, vol. 2, no. 1, pp. 39–47, 2019.
[26] M. R. Adrian, M. P. Putra, M. H. Rafialdy, and N. A. Rakhmawati, “Perbandingan Metode Klasifikasi Random Forest dan SVM Pada Analisis Sentimen PSBB,” J. Inform. Upgris, vol. 7, no. 1, pp. 36–40, 2021.