Penerapan Algoritma CNN Untuk Mengetahui Sentimen Masyarakat Terhadap Kebijakan Vaksin Covid-19

Fany Alifian Irawan; Dwi Anindyani Rochmah

doi:10.31294/inf.v9i2.13257

Penerapan Algoritma CNN Untuk Mengetahui Sentimen Masyarakat Terhadap Kebijakan Vaksin Covid-19

Fany Alifian Irawan, Dwi Anindyani Rochmah

Abstract

Jejaring sosial Twitter merupakan wadah bagi netizen dari seluruh dunia untuk bertukar pendapat dan argumen, beragam topik diangkat oleh netizen terutama permasalahan yang sedang hangat diperbincangkan atau menjadi perdebatan di khalayak umum. Salah satu topik yang hangat dibicarakan netizen Indonesia yaitu mengenai Vaksin Covid-19 yang merupakan salah satu kebijakan pemerintah Indonesia dalam upaya menanggulangi pandemic Covid-19. Seperti kebijakan lainnya yang tak luput menimbulkan pro-kontra, kebijakan vaksin ini juga menjadi perbincangan pada jejaring Twitter. Atas dasar itu untuk mendapatkan informasi yang terdapat pada komentar netizen di jejaring sosial Twitter, maka diperlukan analisis sentimen dengan tujuan mengetahui sebagian respon masyarakat Indonesia mengenai kebijakan vaksin sehingga dapat menjadi bahan pertimbangan pihak terkait dalam mengevaluasi kebijakan sehingga menjadi lebih baik. Analisa sentimen dilakukan dengan mengambil data komentar Twitter seputar vaksin yang dibuat menjadi dataset dengan dua polaritas sentimen positif dan negatif dengan nilai masing-masing sentimen sebesar 650 data. Dataset digunakan untuk menganalisa sentimen serta digunakan pada tahap pengujian tingkat akurasi algoritma. Berdasarkan hasil pengujian, algoritma Convolutional Neural Network memperoleh rata-rata nilai akurasi sebesar 98.66%, dengan algoritma pembanding yaitu Naïve Bayes yang memperoleh rata-rata nilai akurasi sebesar 94.66%. Hasil dari penelitian dapat disimpulkan bahwa kebijakan vaksinasi ini mendapatkan respon yang positif berdasarkan data komentar Twitter yang berjumlah 1424 baris, sebanyak 950 komentar berpolaritas positif dengan persentase 66.7% dan 33.3% sisanya sejumlah 474 komentar berpolaritas negatif. Selain itu berdasarkan data Wordcloud diketahui sebagian besar komentar bermuatan negatif berisi dengan kata-kata yang menyiratkan efek samping dari vaksinasi terutama jenis vaksinasi booster.

Keywords

Convolutianal Neural Network, Naïve Bayes, Sentimen Analisis

Full Text:

PDF

References

Ayumi, V., & Nurhaida, I. (2021). Klasifikasi Chest X-Ray Images Berdasarkan Kriteria Gejala Covid-19 Menggunakan Convolutional Neural Network. JSAI: Journal Scientific and Applied Informatics, 4(2), 147–153.

Dhika, H., Kurnianda, N. R., Irfansyah, P., & Ananta, W. (2020). Model Prediksi Jenis Hewan dengan Metode Convolution Neural Network. Jurnal Ilmiah Teknik Informatika, 9(1), 31–40.

Dwianto, E., Sadikin, M., Informatika, J. T., Komputer, F. I., & Buana, U. M. (2021). Analisis Sentimen Transportasi Online pada Twitter Menggunakan Metode Klasifikasi Naïve Bayes dan Support Vector Machine. Jurnal Ilmiah Teknik Informatika, 10(1), 94–100.

Hermanto, D. T., Setyanto, A., & Luthfi, E. T. (2021). Algoritma LSTM-CNN untuk Binary Klasifikasi dengan Word2vec pada Media Online. Creative Information Technology Journal, 8(1), 64–77. https://doi.org/10.24076/citec.2021v8i1.264

Ihsan, C. N. (2021). DoubleClick : Journal of Computer and Information Technology Klasifikasi Data Radar ....( Ihsan ) | 115 DoubleClick : Journal of Computer and Information Technology E-ISSN : 2579-5317 116 | Klasifikasi Data Radar ....( Ihsan ). Journal of Computer and Information Technology, 4(2), 115–121.

Jais, I. K. M., Ismail, A. R., & Nisa, S. Q. (2019). Adam Optimization Algorithm for Wide and Deep Neural Network. Knowledge Engineering and Data Science, 2(1), 41. https://doi.org/10.17977/um018v2i12019p41-46

Khan, M., Khan, H., Khan, S., & Nawaz, M. (2020). Epidemiological and clinical characteristics of coronavirus disease (COVID-19) cases at a screening clinic during the early outbreak period: a single-centre study. Journal of Medical Microbiology, 69(8), 1114–1123. https://doi.org/10.1099/jmm.0.001231

Najiyah, I., & Haryanti, I. (2021). SENTIMEN ANALISIS COVID-19 DENGAN METODE. Jurnal Responsif : Riset Sains Dan Informatika, 3(1), 100–111. https://doi.org/https://doi.org/10.51977/jti

Nasichuddin, M. A., Adji, T. B., & Widyawan, W. (2018). Performance Improvement Using CNN for Sentiment Analysis. IJITEE (International Journal of Information Technology and Electrical Engineering), 2(1), 9–14. https://doi.org/10.22146/ijitee.36642

Normawati, D., & Ismi, D. P. (2019). K-Fold Cross Validation for Selection of Cardiovascular Disease Diagnosis Features by Applying Rule-Based Datamining. Signal and Image Processing Letters, 1(2), 23–35. https://doi.org/10.31763/simple.v1i2.3

Qudsi, D. H., Lubis, J. H., Syaliman, K. U., & Najwa, N. F. (2021). ANALISIS SENTIMEN PADA DATA SARAN MAHASISWA TERHADAP KINERJA DEPARTEMEN DI PERGURUAN TINGGI MENGGUNAKAN SENTIMENT ANALYSIS IN THE STUDENT ’ S REVIEWS OF COLLEGE DEPARTMENT PERFORMANCE USING. Jurnal Teknologi Informasi Dan Ilmu Komputer (JTIIK), 8(5), 1067–1076. https://doi.org/10.25126/jtiik.202184842

Rhanoui, M., Mikram, M., Yousfi, S., & Barzali, S. (2019). A CNN-BiLSTM Model for Document-Level Sentiment Analysis. Machine Learning and Knowledge Extraction, 1(1), 832–847. https://doi.org/10.3390/make1030048

Santoso, A., & Ariyanto, G. (2018). Implementasi Deep Learning berbasis Keras untuk Pengenalan Wajah. Emitor: Jurnal Teknik Elektro, 18(1), 15–21. https://doi.org/10.23917/emitor.v18i01.6235

Susilo, A., Rumende, C. M., Pitoyo, C. W., Santoso, W. D., Yulianti, M., Herikurniawan, H., Sinto, R., Singh, G., Nainggolan, L., Nelwan, E. J., Chen, L. K., Widhani, A., Wijaya, E., Wicaksana, B., Maksum, M.,

Annisa, F., Jasirwan, C. O. M., & Yunihastuti, E. (2020). Coronavirus Disease 2019: Tinjauan Literatur Terkini. Jurnal Penyakit Dalam Indonesia, 7(1), 45. https://doi.org/10.7454/jpdi.v7i1.415

Wibawa, A. P., Kurniawan, A. C., Murti, D. M. P., Adiperkasa, R. P., Putra, S. M., Kurniawan, S. A., & Nugraha, Y. R. (2019). Naïve Bayes Classifier for Journal Quartile Classification. International Journal of Recent Contributions from Engineering, Science & IT (IJES), 7(2), 91. https://doi.org/10.3991/ijes.v7i2.10659

DOI: https://doi.org/10.31294/inf.v9i2.13257