Email this article 
Analysis of Sentiments and Emotions about Sinovac Vaccine Using Naive Bayes
Abstract
Tujuan:
Banyak negara di dunia telah berusaha mengendalikan dampak pandemi COVID-19 melalui penggunaan vaksin. vaksin sinovac merupakan salah satu vaksin populer yang telah digunakan di beberapa negara termasuk Indonesia. Sejak hadirnya vaksin sinovac, persepsi masyarakat baik di lapangan maupun di media sosial semakin muncul antara setuju dan tidak setuju dengan vaksin tersebut. Persepsi masyarakat dunia di media sosial dapat dianalisis untuk mengetahui kategori sentimen dan tingkat emosional masyarakat terhadap penerimaan vaksin Sinovac.
Perancangan/metode/pendekatan:
Analisis dapat dilakukan melalui data mining yang menggunakan algoritma Naive Bayes untuk menghitung probabilitas dan statistik sehingga setiap opini dapat diklasifikasikan dalam kategori sentimen positif, negatif, atau netral. Dalam penelitian ini, sumber analisis data adalah persepsi publik yang mengandung kata kunci “sinovac” dari twitter. Pengujian menggunakan sentimen, sentimen, dan library syuzhet menunjukkan bahwa sentimen positif lebih tinggi daripada negatif dan netral. Sentimen negatif paling dipengaruhi oleh tingkat emosional kesedihan dan kemarahan. Sedangkan sentimen positif sangat dipengaruhi oleh kategori senang dan emosi campur aduk. Kategori emosi campuran lebih sesuai dengan sentimen positif.
Hasil:
Klasifikasi emosi terhadap data tweet dalam penelitian ini menunjukkan bahwa kategori emosi kegembiraan, dan campuran memiliki persentase tertinggi yang mengandung polaritas sentimen positif. Berdasarkan penelitian ini, kata kunci sinovac cenderung memunculkan sentimen positif. Polaritas mempengaruhi emosi, namun tidak sebaliknya. Karena terlihat bahwa nilai akurasi pada klasifikasi polaritas (dengan kedua library) telah meningkat ketika fitur emosi tidak diikutkan. Sedangkan nilai akurasi pada klasifikasi emosi justru meningkat ketika fitur polaritas diikutkan.
Keaslian/ state of the art:
Metode Naive Bayes (library setiment) dan metode Valence Shifter (library sentimentr) yang digunakan dalam analisis sentimen pada penelitian ini menunjukkan bahwa sentimen positif lebih tinggi daripada netral dan negatif. Hasil persentase sentimen positif oleh metode Valence Shifter lebih rendah daripada metode Naive Bayes. Pada metode Valence Shifter cenderung menghasilkan agregat yang lebih kecil antara hasil persentase sentimen positif dibanding netral dan negatif.
Keywords
Full Text:
PDFReferences
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.
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.
P. H. Prastyo, A. S. Sumi, A. W. Dian, and A. E. Permanasari, “Tweets Responding to the Indonesian Government’s Handling of COVID-19: Sentiment Analysis Using SVM with Normalized Poly Kernel,” J. Inf. Syst. Eng. Bus. Intell., vol. 6, no. 2, p. 112, 2020, doi: 10.20473/jisebi.6.2.112-122.
“During The Pandemic, Twitter Users Grew Rapidly.” https://voi.id/en/technology/48500/during-the-pandemic-twitter-users-grew-rapidly (accessed Sep. 22, 2021).
X. Guo and J. Li, “A Novel Twitter Sentiment Analysis Model with Baseline Correlation for Financial Market Prediction with Improved Efficiency,” in 2019 6th International Conference on Social Networks Analysis, Management and Security, SNAMS 2019, 2019, no. 1, pp. 472–477, doi: 10.1109/SNAMS.2019.8931720.
B. Liu, “Sentiment analysis and subjectivity,” in Handbook of Natural Language Processing, Second Edition, 2010, pp. 627–666.
I. Zulfa and E. Winarko, “Sentimen Analisis Tweet Berbahasa Indonesia Dengan Deep Belief Network,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 11, no. 2, p. 187, 2017, doi: 10.22146/ijccs.24716.
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.
T. Danisman and A. Alpkocak, “Feeler: Emotion classification of text using vector space model,” in AISB 2008 Convention: Communication, Interaction and Social Intelligence - Proceedings of the AISB 2008 Symposium on Affective Language in Human and Machine, 2008, vol. 1, pp. 53–59.
S. An, L. J. Ji, M. Marks, and Z. Zhang, “Two sides of emotion: Exploring positivity and negativity in six basic emotions across cultures,” Front. Psychol., vol. 8, no. APR, pp. 1–14, 2017, doi: 10.3389/fpsyg.2017.00610.
A. Sharma and U. Ghose, “Sentimental Analysis of Twitter Data with respect to General Elections in India,” in Procedia Computer Science, 2020, vol. 173, no. 2019, pp. 325–334, doi: 10.1016/j.procs.2020.06.038.
H. Deng et al., “Sentiment analysis of real-world migraine tweets for population research,” Cephalalgia Reports, vol. 3, pp. 1–9, 2020, doi: 10.1177/2515816319898867.
S. S. and P. K.V., “Sentiment analysis of malayalam tweets using machine learning techniques,” ICT Express, vol. 6, no. 4, pp. 300–305, 2020, doi: 10.1016/j.icte.2020.04.003.
K. Mohamed Ridhwan and C. A. Hargreaves, “Leveraging Twitter data to understand public sentiment for the COVID‐19 outbreak in Singapore,” Int. J. Inf. Manag. Data Insights, vol. 1, no. 2, p. 100021, 2021, doi: 10.1016/j.jjimei.2021.100021.
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.
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.
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.
B. M. Akbar, A. T. Akbar, and R. Husaini, “Classification of Sentiments on Twitter Opinions with The Keyword Sinovac Using Naive Bayes,” Pros. Semin. Nas. Inform., vol. 1, no. 1, pp. 161–172, 2021, [Online]. Available: http://jurnal.upnyk.ac.id/index.php/semnasif/article/view/6070/3929.
B. M. Akbar, A. T. Akbar, and R. Husaini, “Analisis Sentimen dan Emosi Vaksin Sinovac pada Twitter menggunakan Naïve Bayes dan Valence Shifter,” J. Teknol. Terpadu, vol. 7, no. 2, pp. 83–92, 2021, doi: 10.54914/jtt.v7i2.433.
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.
A. F. Hidayatullah, “Pengaruh Stopword Terhadap Performa Klasifikasi Tweet Berbahasa Indonesia,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 1, no. 1, pp. 1–4, 2016.
RapidMiner, “Naive Bayes - RapidMiner Documentation,” RapidMiner, 2019. https://docs.rapidminer.com/latest/studio/operators/modeling/predictive/bayesian/naive_bayes.html (accessed Sep. 22, 2021).
I. Rish, “An Empirical Study of the Naïve Bayes Classifier An empirical study of the naive Bayes classifier,” no. January 2001, 2014, [Online]. Available: https://www.researchgate.net/publication/228845263_An_Empirical_Study_of_the_Naive_Bayes_Classifier/link/00b7d52dc3ccd8d692000000/download.
E. Riloff and J. Wiebe, “Learning extraction patterns for subjective expressions,” pp. 105–112, 2003, doi: 10.3115/1119355.1119369.
F. Handayani and S. Pribadi, “Implementasi Algoritma Naive Bayes Classifier dalam Pengklasifikasian Teks Otomatis Pengaduan dan Pelaporan Masyarakat melalui Layanan Call Center 110,” J. Tek. Elektro, vol. 7, no. 1, pp. 19–24, 2015.
L. Polanyi and A. Zaenen, “Contextual valence shifters,” AAAI Spring Symp. - Tech. Rep., vol. SS-04-07, no. August, pp. 106–111, 2005, doi: 10.1007/1-4020-4102-0_1.
M. Naldi, “A review of sentiment computation methods with R packages,” no. January, 2019, [Online]. Available: http://arxiv.org/abs/1901.08319.
M. Singh, A. K. Jakhar, and S. Pandey, “Sentiment analysis on the impact of coronavirus in social life using the BERT model,” Soc. Netw. Anal. Min., vol. 11, no. 1, pp. 1–11, 2021, doi: 10.1007/s13278-021-00737-z.
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.
DOI: https://doi.org/10.31315/telematika.v19i2.7601
DOI (PDF): https://doi.org/10.31315/telematika.v19i2.7601.g4672
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Status Kunjungan Jurnal Telematika