Perbandingan Metode Naïve Bayes dan Support Vector Machine Untuk Analisis Sentimen Terhadap Vaksin Astrazeneca di Twitter

Abstract

The implementation of Covid-19 vaccination in Indonesia turned out to have various pro and contra opinions from the public. The discovery of disinformation and misinformation about vaccines spread through social media content affects a person's absorption of information so which leads to vaccine delays. When in fact, vaccination is one of the biggest and most effective contributions to preventing the Covid-19 pandemic. Astrazeneca is one of the vaccines provided by the Indonesian government. This vaccine used to be controversial amongst the public regarding its halalness and the safety of the vaccine because of the issue of the said vaccine containing swine trypsin. Nowadays Twitter has become a place for users to express their concerns and opinion regarding the Covid-19 vaccine. Data obtained from Twitter will be useful if it is analyzed, one of which is sentiment analysis. In this study, data collection was carried out using the snscrape library with a total of 3105 tweets obtained from the period May to June 31, 2021. The dataset that has been collected is then preprocessed to optimize the data. After passing the preprocessing stage, the data was labeled as tweet class using a lexicon-based dictionary which resulted in 1275 tweets with positive opinin labels and 1830 tweets labeled as negative opinion. The aim of this study is to examines the performance of Naïve Bayes and Support Vector Machine with adding the weighting method TF-IDF (Term Frequency – Inverse Document Frequency). The evaluation results show that the Support Vector Machine has a greater accuracy, precision, recall and f1-score of 87.27%, 90.41%, 77,34% and 83.37% compared to Naïve Bayes which has an accuracy, precision, recall and f1- of 76.81%, 72.40%, 70.70% and 71.52%.

Analisis Ulasan Sentimen Aplikasi Mobile JKN Dengan Algoritma Support Vector Machine Berbasis Particle Swarm Optimization

“…Hasil penelitian menunjukkan bahwa metode SVM lebih akurat sebagai metode pengelompokan dalam proses analisis sentimen masyarakat tentang vaksin Astrazeneca di Twitter daripada metode Naïve Bayes. Hasil penelitian yang menggunakan Suport Vector Machine menghasilkan akurasi sebesar 87,27% dari data uji dan akurasi sebesar 76,81% untuk metode Naïve Bayes [8].…”

“…Filter tokens by length digunakan untuk memfilter token berdasarkan panjangnya, jumlah karakter yang dikandungnya antara 4 sampai 25 karakter. Stop-word merupakan tahap penghapusan kata yang tidak relevan terhadap penentuan klasifikasi sentimen jika termasuk di dalam daftar kata stopword [8]. Kamus stopword didapatkan dari Kaggle, berikut adalah linknya : Indonesian Stoplist (kaggle.com).…”

Klasifikasi Sentimen Vaksin Covid-19 Menggunakan K-Nearest Neighbor Berdasarkan Word Embeddings Fasttext Pada Twitter

“…Dalam penelitian ini, dicoba melihat pengaruh penerapan case folding, pemotongan stop words, dan penghilangan tanda baca (punctuation removal), sebagaimana pada [17] untuk menemukan model pemrosesan teks yang optimal. Mengikuti langkah pada [17], eksperimen yang dilakukan pada penelitian ini terkait pemilihan variasi teks preprocessingnya dapat dilihat pada Tabel 5 berikut. Selanjutnya model eksperimen C6 akan dipakai untuk pengujian fitur engineering, yaitu optimasi terhadap besaran input k-NN.…”

“…Optimasi selanjutnya adalah proses scaling (penskalaan) untuk menormalisasi tiap elemen vektor kalimat. Cara ini digunakan setelah melihat hasil eksperimen pada [17], yang menunjukkan peningkatan performa dalam tugas klasifikasi biner untuk hate speech dan abusive language. Fitur yang dipakai juga sama, yaitu minmax dan robust scaler dari library sklearn.…”

Sentiment Analysis of TikTok Application on Twitter using The Naïve Bayes Classifier Algorithm

“…Analisis sentimen dapat digunakan untuk menganalisis ulasan opini pada Twitter. Sebelum melakukan analisis sentimen, diperlukan preprocessing data untuk mengolah data teks agar siap untuk dianalisis, dengan tahapannya yaitu cleaning, case folding, tokenizing, normalization, stopword removal, dan stemming (Indriyani , et al 2022).…”