Classification of Sentiments on Twitter Opinions with The Keyword Sinovac Using Naive Bayes

Bagus Muhammad Akbar, Ahmad Taufiq Akbar, Rochmat Husaini

Abstract


Tujuan :Menerapkan metode analisis sentimen menggunakan metode Naïve Bayes pada opini twitter mengenai sentimen masyarakat terhadap vaksin covid-19, khususnya jenis sinovac.
Metode: Valence Shifter-Lexicon based dan Data mining dengan algoritma Naïve Bayes untuk menentukan kategori sentimen tentang vaksin sinovac
Hasil : Analisis sentimen menggunakan metode Naïve Bayes menghasilkan 1433 (71,65%) sentimen positif, 403 (20,15%) sentimen negatif, dan 164 (8,2%) untuk sentimen netral. Sedangkan anaisis sentimen menggunakan metode Valence Shifter-lexicon based menghasilkan 903 (45,15%) sentimen positif, 437 (21,85%) sentimen negatif, dan sentimen netral sebesar 660 (33%).. Berdasarkan analisis sentimen dengan 2 metode tersebut, metode Naive bayes lebih signifikan dalam mengklasifikasikan sentimen. Disamping itu, Hasil penelitian ini juga mengisyaratkan bahwa kemunculan vaksin sinovac memberikan kesan positif di kalangan masyarakat.
State of the Art:
Metode yang digunakan dalam penelitian ini adalah 2 metode yakni Valence Shifter-lexicon based dan Naïve Bayes utuk menentukan sentimen masyarakat tentang vaksin sinovac. Sehingga lebih mengklarifikasi hasil analisis sentimen cenderung positif meskipun tidak dilakukan pelabelan secara manual.


Keywords


Data Mining, Sentiment Analysis, Naive Bayes, Valence Shifter, Lexicon, Vaccine, Covid-19, Sinovac

Full Text:

PDF

References


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.

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.

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.

“Dimulainya Vaksinasi Covid-19 di Indonesia Halaman all - Kompas.com.” https://nasional.kompas.com/read/2021/01/14/06572221/dimulainya-vaksinasi-covid-19-di-indonesia?page=all (accessed Oct. 02, 2021).

D. I. Sari, Y. F. Wati, and Widiastuti, “Analisis Sentimen Dan Klasifikasi Tweets Berbahasa Indonesia Terhadap Transportasi Umum Mrt Jakarta Menggunakan Naïve Bayes Classifier,” J. Ilm. Inform. Komput., vol. 25, no. 1, pp. 64–75, 2020, doi: 10.35760/ik.2020.v25i1.2427.

I. E. Syahputra, T. Tulus, and S. Efendi, “Indonesian Text Dataset for Determining Sentiment Classification Using Mechine Learning Approach,” J. Informatics Telecommun. Eng., vol. 3, no. 2, pp. 192–201, 2020, doi: 10.31289/jite.v3i2.3153.

I. Fera Fanesya, Randy Cahya Wihandika, “Deteksi Emosi pada Twitter Menggunakan Metode Naive Bayes dan Kombinasi Fitur,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 7, p. 3, 2019.

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.

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.

K. Sigit, A. P. Dewi, G. Windu, Nurmalasari, T. Muhamad, and N. Kadinar, “Comparison of Classification Methods on Sentiment Analysis of Political Figure Electability Based on Public Comments on Online News Media Sites,” IOP Conf. Ser. Mater. Sci. Eng., vol. 662, no. 4, 2019, doi: 10.1088/1757-899X/662/4/042003.

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 Naive 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.

G. N. Aulia and E. Patriya, “Implementasi Lexicon Based Dan Naive Bayes Pada Analisis Sentimen Pengguna Twitter Topik Pemilihan Presiden 2019,” J. Ilm. Inform. Komput., vol. 24, no. 2, pp. 140–153, 2019, doi: 10.35760/ik.2019.v24i2.2369.

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.

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.

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

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

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

M. E. Wu, S. Y. Chang, C. J. Lu, and H. M. Sun, “A communication-efficient private matching scheme in Client-Server model,” Inf. Sci. (Ny)., vol. 275, pp. 348–359, 2014, doi: 10.1016/j.ins.2014.01.016.


Refbacks

  • There are currently no refbacks.