Analisis Sentimen Masyarakat Terhadap Penggunaan Aplikasi PeduliLindungi untuk Aktivitas Ruang Publik pada Media Sosial Twitter
Abstrak
Abstrak—Pemerintah Indonesia telah mengeluarkan kebijakan baru untuk membantu memantau penyebaran virus COVID-19 agar dapat ditangani secara efisien dengan melacak riwayat lokasi yang dikunjungi masyarakat dengan memerintahkan kepada mereka untuk melakukan check-in dan check-out di ruang publik menggunakan aplikasi PeduliLindungi. Twitter merupakan media yang digunakan sebagai sarana menyampaikan pendapat terkait isu yang hangat diperbincangkan. Beragam pendapat dikeluarkan oleh masyarakat baik bernada positif maupun negatif. Maka dari itu, dilakukan analisis sentimen terhadap penggunaan aplikasi PeduliLindungi. Analisis sentimen yang dilakukan menggunakan pendekatan Machine Learning dengan algoritma Support Vector Machine (SVM) sebagai metode untuk mengklasifikasikan setiap tweets nya ke dalam dua sentimen, yaitu positif dan negatif. Penelitian menghasilkan model terbaik yaitu menggunakan dengan metode pemisahan train dan test data yaitu metode holdout rasio 70:30, dan metode SMOTE untuk penyeimbangan datanya. Model tersebut menghasilkan nilai accuracy: 81.23%, precision: 83.58%, recall: 86.62%, F-1 score: 85.07%, dan AUC: 0.881. Model tersebut digunakan untuk klasifikasi penentuan sentimen dari setiap tweets sehingga dapat diketahui tren persebaran sentimen masyarakat terhadap penggunaan aplikasi PeduliLindungi untuk aktivitas ruang publik pada media sosial Twitter periode Oktober 2021 hingga Juli 2022.
Kata kunci— PeduliLindungi, twitter, analisis sentimen, Support Vector Machine (SVM)
Referensi
World Health Organization (WHO), “Coronavirus disease (COVID-19),” 2021. https://www.who.int/emergencies/diseases/novel-coronavirus-2019/question-and-answers-hub/q-a-detail/coronavirus-disease-covid-19 (accessed Jan. 25, 2022).
T. T. S. Berty, “Kasus Pertama Virus Corona di Indonesia Jadi Sorotan Dunia,” Mar. 02, 2020.
World Health Organization (WHO), “WHO Director-General’s opening remarks at the media briefing on COVID-19,” 2020. https://www.who.int/director-general/speeches/detail/who-director-general-s-opening-remarks-at-the-media-briefing-on-covid-19---11-march-2020 (accessed Jan. 25, 2022).
CNN Indonesia, “Juli 2021, Bulan dengan Kasus Kematian Covid-19 Terbanyak,” Jul. 29, 2021.
H. D. Situmorang, “Masuk Supermarket Wajib Gunakan Aplikasi PeduliLindungi Mulai 14 September,” Sep. 07, 2021.
We Are Social, “Digital 2022: Indonesia,” 2022. https://datareportal.com/reports/digital-2022-indonesia.
K. K. Kapoor, K. Tamilmani, N. P. Rana, P. Patil, Y. K. Dwivedi, and S. Nerur, “Advances in Social Media Research:Past, Present and Future,” Inf. Syst. Front., vol. 20, no. 3, pp. 531–558, 2018, doi: 10.1007/s10796-017-9810-y.
R. Fauzan, “Aplikasi PeduliLindungi Resmi Tersedia di Playstore dan Appstore,” Apr. 14, 2020.
PeduliLindungi, “PeduliLindungi,” 2020. https://www.pedulilindungi.id/#tentang.
F. Sebastiani, “Machine Learning in Automated Text Categorization,” ACM Comput. Surv., vol. 34, no. 1, pp. 1–47, 2002, doi: 10.1145/505282.505283.
A. Tan, “Text Mining:The state of the art and the challenges Concept-based,” Proc. PAKDD 1999 Work., no. January, pp. 65–70, 2011, [Online]. Available: http://www.mendeley.com/research/text-mining-state-art-challenges-3/.
E. D. Liddy, “Natural language processing,” Encycl. Libr. Inf. Sci., pp. 131–136, 2001, doi: 10.1016/0004-3702(82)90032-7.
A. K. Josh, “Natural language processing,” Science (80-. )., vol. 253, no. 5025, pp. 1242–1249, 1991, doi: 10.1126/science.253.5025.1242.
M. N. Dr. S. Vijayarani, Ms. J. Ilamathi, “Preprocessing Techniques for Text Mining Preprocessing Techniques for Text Mining,” Int. J. Comput. Sci. Commun. Networks, vol. 5, no. October 2014, pp. 7–16, 2015.
S. Pradha, M. N. Halgamuge, and N. Tran Quoc Vinh, “Effective text data preprocessing technique for sentiment analysis in social media data,” Proc. 2019 11th Int. Conf. Knowl. Syst. Eng. KSE 2019, pp. 1–8, 2019, doi: 10.1109/KSE.2019.8919368.
M. Kuhn and K. Johnson, Applied Predictive Modeling with Applications in R, vol. 26. 2013.
N. V. Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, “SMOTE: Synthetic Minority Over-sampling Technique,” J. Artif. Intell. Res., vol. 16, no. Sept. 28, pp. 321–357, 2002, [Online]. Available: https://arxiv.org/pdf/1106.1813.pdf%0Ahttp://www.snopes.com/horrors/insects/telamonia.asp.
A. K. Singh and M. Shashi, “Vectorization of text documents for identifying unifiable news articles,” Int. J. Adv. Comput. Sci. Appl., vol. 10, no. 7, pp. 305–310, 2019, doi: 10.14569/ijacsa.2019.0100742.
J. Ramos, “Using TF-IDF to Determine Word Relevance in Document Queries,” Proc. first Instr. Conf. Mach. Learn., vol. 242, no. 1, pp. 29–48, 2003.
M. A. A. Halim, M. T. A. Rahman, N. A. Rahim, A. Rahman, A. F. A. Hamid, and N. A. M. Amin, “Analysis on current flow style for vehicle alternator fault prediction,” IOP Conf. Ser. Mater. Sci. Eng., vol. 670, no. 1, 2019, doi: 10.1088/1757-899X/670/1/012042.
G. James, D. Witten, T. Hastie, and R. Tibshirani, An Introduction to Statistical Learning. Springer Texts in Statistics, 2013.
A. Pradhan, “SUPPORT VECTOR MACHINE-A Survey,” Int. J. Emerg. Technol. Adv. Eng., vol. 2, no. 8, pp. 82–85, 2012.
A. Turnip, M. F. Amri, H. Fakrurroja, A. I. Simbolon, M. A. Suhendra, and D. E. Kusumandari, “Deception detection of EEG-P300 component classified by SVM method,” ACM Int. Conf. Proceeding Ser., no. June 2019, pp. 299–303, 2017, doi: 10.1145/3056662.3056709.
A. D. Forbes, “Classification-algorithm evaluation: Five performance measures based onconfusion matrices,” J. Clin. Monit., vol. 11, no. 3, pp. 189–206, 1995, doi: 10.1007/BF01617722.
M. Sokolova, N. Japkowicz, and S. Szpakowicz, “Beyond accuracy, F-score and ROC: A family of discriminant measures for performance evaluation,” AAAI Work. - Tech. Rep., vol. WS-06-06, pp. 24–29, 2006, doi: 10.1007/11941439_114.
P. Chapman et al., “Crisp-Dm 1.0,” Cris. Consort., p. 76, 2000.
