ANALISIS SENTIMEN PENGGUNA TWITTER TERHADAP
VAKSIN COVID-19 MENGGUNAKAN METODE NAÏVE
BAYES DAN NAÏVE BAYES MULTINOMIAL
Laporan Tugas Akhir
Diajukan untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Informatika Universitas Muhammadiyah Malang
Oktavia Dwi Megawati (201710370311009)
Bidang Minat Data Science
PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH MALANG 2021
i
ii
iii
iv
ABSTRAK
Pada awal tahun 2020, diawali dari negara Tiongkok tepatnya di Wuhan dihebohkan oleh berita adanya virus corona atau Covid19. Pada akhirnya virus corona ini sampai ke Indonesia pada awal maret 2020 yang membuat pemerintah turun tangan dengan mengadakan vaksinasi agar mengurangi terpaparnya virus covid-19 ini. Kegiatan vaksinasi ini juga perlu melihat respon dari masyarakat Indonesia salah satunya melalui media sosial twitter. Pada penelitian ini dengan menggunakan metode perbandingan Naïve Bayes dan Naïve Bayes Multinomial yang bertujuan melakukan analisis sentimen pengguna twitter terhadap vaksin covid-19 yang merujuk pada sentiment netral, positif, dan negatif dengan melewati proses preprocessing, dan menghitung bobot dokumen menggunakan TF-IDF, sehingga mendapatkan hasil yang baik. Dataset yang digunakan sebanyak 6399 yang diambil setelah melalui pelabelan sebanyak 300 data tweet dengan pembagian 100 data netral, 100 data positif, dan 100 data negatif. Hasil dari klasifikasi penelitian ini mendapatkan nilai tertinggi untuk metode Naïve Bayes Multinomial sebesar nilai akurasi 83%, precision 92%, recall 100%, dan f-measure 96%. Pada klasifikasi menggunakan metode Naïve Bayes mendapatkan nilai akurasi tertinggi 63%, precision 82%, recall 75%, dan f-measure 78%.
v
ABSTRACT
At the beginning of 2020, starting from China, Wuhan was shocked by the news of the corona virus or Covid19. In the end, this corona virus reached Indonesia in early March 2020 which made the government intervene by holding vaccinations to reduce exposure to this covid-19 virus. This vaccination activity also needs to see the response from the Indonesian people, one of which is through social media twitter. In this study, using the Naïve Bayes and Nave Bayes Multinomial comparison method which aims to analyze the sentiment of Twitter users towards the covid-19 vaccine which refers to neutral, positive, and negative sentiments by going through the preprocessing process, and calculating the weight of the document using TF-IDF, so that get good results. The dataset used was 6399 which was taken after going through the labeling of 300 tweet data with the division of 100 neutral data, 100 positive data, and 100 negative data. The results of this research classification get the highest value for the Naïve Bayes Multinomial method of 83% accuracy, 92% precision, 100% recall, and 96% f-measure. In the classification using the Naïve Bayes method, the highest accuracy value is 63%, precision is 82%, recall is 75%, and f-measure is 78%.
vi
LEMBAR PERSEMBAHAN
Puji syukur kepada Allah SWT atas rahmat dan karunia-Nya serta Nabi Muhammad SAW sebagai junjungan ridha-Nya sehingga penulis dapat menyelesaikan Laporan Tugas Akhir ini tidak terlepas dari bantuan beberapa pihak. Penulis menyampaikan ucapan terima kasih yang sebesar-besarnya kepada :
1. Allah SWT yang memberikan rahmat, hidayah, dan Karunia-Nya sehingga diberikannya kemudahan dalam menyelesaikan tugas akhir ini.
2. Orang tua saya, Bapak Joko Setiono dan Ibu Yeni Sugiharti dengan segala dukungan moril, motivasi, dan materil selama pengerjaan tugas akhir. 3. Dosen pembimbing saya, Bapak Galih Wasis Wicaksono, S.Kom., M.Cs dan
juga ibu Nur Hayatin, S.ST., M.Kom yang telah meluangkan waktu, tenaga, dan ilmunya serta kesabarannya dalam membimbing pengerjaan tugas akhir. 4. Dosen wali saya, Bapak Agus Eko Minarno, S.Kom., M.Kom yang telah
membimbing saya dari awal perkuliahan hingga tugas akhir.
5. Bapak dan Ibu Dosen Program studi fakultas Teknik Informatika Universitas Muhammadiyah Malang yang telah memberikan ilmu dan pengalamannya pada perkuliahan.
6. Kakak perempuan saya Septina Okky Pradani Putri yang telah memberikan dukungan serta motivasi selama pengerjaan tugas akhir ini.
7. Teman-teman terdekat saya (Fenny, Sulas, Dewi, Arin, Riska, Safitri, Novi, Evi, Dhika, Nafi’, Gilang, Azhar, Fiko, Revo, Dian, Imel, Fian, Doni, Aji, Dento) yang membantu memberikan semangat dan dukungan dalam pengerjaan tugas akhir.
8. Para idol Hybe Labels BTS, TXT, Enhypen, Seventeen, Gfriend, dan tentunya Bang Sihyuk PDnim yang telah memberikan dorongan semangat melalui konten, motivasi, dan lagu yang telah mereka produksi sehingga mendorong semangat dalam pengerjaan tugas akhir.
9. Teman – teman dari Informatika kelas A Angkatan 2017, yang telah menemani selama perkuliahan.
vii
Terimakasih atas segala dukungan dan motivasi dari berbagai pihak. Semoga tuhan selalu memberikan perlindunganNya.
Malang, 26 Juli 2021
viii
KATA PENGANTAR
Dengan memanjatkan puji syukur kehadirat Allah SWT. Atas limpahan rahmat dan hidayah-NYA sehingga peneliti dapat menyelesaikan tugas akhir yang berjudul :
” ANALISIS SENTIMEN PENGGUNA TWITTER TERHADAP
VAKSIN COVID-19 MENGGUNAKAN METODE NAÏVE
BAYES DAN NAÏVE BAYES MULTINOMIAL”
Di dalam tulisan ini disajikan pokok-pokok bahasan yang meliputi bagian latar belakang, metode penelitian, serta hasil dan pembahasan yang telah didapatkan pada proses pengerjaan penelitian ini. Serta diberikan kesimpulan berdasarkan hasil yang telah didapatkan dari proses penelitian ini.
Penulis sepenuhnya menyadari bahwa dalam penulisan tugas akhir ini masih banyak kekurangan dan keterbatasan. Oleh karena itu peneliti mengharapkan kritik dan saran yang membangun agar tulisan ini bermanfaat bagi perkembangan ilmu pengetahuan terutama dibidang ilmu informatika.
Malang, 26 Juli 2021
ix
DAFTAR ISI
LEMBAR PERSETUJUAN ... i
LEMBAR PENGESAHAN ... ii
LEMBAR PERNYATAAN ... iii
ABSTRAK ... iv
ABSTRACT ... v
LEMBAR PERSEMBAHAN ... vi
KATA PENGANTAR ... viii
DAFTAR ISI ... ix
DAFTAR GAMBAR ... xii
DAFTAR TABEL... xiii
DAFTAR LAMPIRAN ... xv
LEMBAR PLAGIASI ... xvi
BAB I ... 1
PENDAHULUAN ... 1
1.1 Latar Belakang ... 1 1.2 Rumusan Masalah ... 3 1.3 Tujuan Penelitian ... 3 1.4 Batasan Masalah ... 4BAB II... 5
TINJAUAN PUSTAKA ... 5
2.1 Vaksin ... 5 2.2 Twitter ... 5x 2.3 Sentimen Analisis ... 5 2.4 Penelitian Terdahulu ... 6 2.5 Preprocessing ... 8 2.6 Pelabelan ... 9 2.7 Splitting Data ... 9 2.8 TF-IDF ... 9 2.9 Naïve Bayes ... 9
2.10 Naïve Bayes Multinomial ... 10
2.11 Evaluasi ... 10
BAB III ... 12
METODOLOGI PENELITIAN ... 12
3.1 Pengumpulan Data ... 12 3.2 Preprocessing ... 14 3.2 Pelabelan ... 16 3.3 TF-IDF ... 17 3.3 Naive Bayes ... 183.4 Naïve Bayes Multinomial ... 22
3.5 Evaluasi ... 23
BAB IV ... 24
HASIL DAN PEMBAHASAN ... 24
4.1 Kebutuhan Sistem ... 24 4.2 Implementasi ... 24 4.2.1 Crawling Data ... 24 4.2.2 Preprocessing ... 25 4.2.3 TF-IDF ... 29 4.2.4 Naïve Bayes ... 30
xi
4.2.5 Naïve Bayes Multinomial ... 31
4.3 Pengujian ... 31
4.3.1 Naïve Bayes... 32
4.3.2 Naive Bayes Multinomial ... 33
4.3.3 Analisa Hasil Nilai Recall, Precision, dan F-Measure ... 34
BAB V ... 38
KESIMPULAN ... 38
5.1 Kesimpulan ... 38 5.2 Saran ... 38DAFTAR PUSTAKA ... 39
LAMPIRAN ... 44
xii
DAFTAR GAMBAR
Gambar 1. Proses Penelitian ... 12 Gambar 2. Grafik Perbandingan Accuracy (a) naïve bayes dan (b) naïve bayes multinomial ... 35 Gambar 3. Grafik Perbandingan Precision (a) naïve bayes dan (b) naïve bayes multinomial ... 35 Gambar 4. Grafik Perbandingan Recall (a) naïve bayes dan (b) naïve bayes multinomial ... 36 Gambar 5. Grafik Perbandingan F-Measure (a) naïve bayes dan (b) naïve bayes multinomial ... 36
xiii
DAFTAR TABEL
Tabel 1. Penelitian Terdahulu... 6
Tabel 2. Confusion Matrix ... 10
Tabel 3. Data Crawling Twitter ... 13
Tabel 4. Proses Case Folding ... 14
Tabel 5. Proses Tokenizing ... 14
Tabel 6. Proses Word Normalization ... 15
Tabel 7. Proses Filtering ... 15
Tabel 8. Proses Stemming ... 16
Tabel 9. Data Sebelum Diberi Label ... 16
Tabel 10. Data Sesudah Diberi Label ... 16
Tabel 11. Contoh Perhitungan TF-IDF ... 17
Tabel 12. Contoh Data Training ... 18
Tabel 13. Hasil Kosakata ... 18
Tabel 14. Nilai P(Vj) ... 19
Tabel 15. Nilai Probabilistik... 19
Tabel 16. Perhitungan likelihood pada label netral ... 21
Tabel 17. Perhitungan likelihood pada label positif ... 21
Tabel 18. Perhitungan likelihood pada label negatif ... 21
Tabel 19. Hasil Perhitungan Probabilitas ... 22
Tabel 20. Tabel Confusion Matrix... 23
Tabel 21. Akses API Twitter ... 24
Tabel 22. Syntax Crawling Data Twitter ... 25
Tabel 23. Syntax Case folding ... 26
Tabel 24. Syntax Tokenizing ... 26
Tabel 25. Syntax Tokenizing Punctuation ... 27
Tabel 26. Syntax Word Normalization ... 27
Tabel 27. Syntax Filtering ... 28
Tabel 28. Syntax Stemming... 29
Tabel 29. Syntax Vectorizer ... 30
Tabel 30. Syntax Import Model ... 30
Tabel 31. Syntax Pengujian Naïve Bayes ... 30
xiv
Tabel 33. Syntax Pengujian Naïve Bayes Multinomial ... 31
Tabel 34. Hasil Skenario Pertama Naïve Bayes ... 32
Tabel 35. Hasil Skenario Kedua Naïve Bayes ... 32
Tabel 36. Hasil Skenario Ketiga Naïve Bayes ... 33
Tabel 37. Hasil Skenario Pertama ... 33
Tabel 38. Hasil Skenario Kedua ... 33
Tabel 39. Hasil Skenario Ketiga ... 34
Tabel 40. Hasil dari Evaluasi Skenario 1 s/d 3 Naïve Bayes ... 34
xv
DAFTAR LAMPIRAN
Lampiran 1. Sampel dataset tweet berlabel netral ... 44 Lampiran 2. Sampel dataset tweet berlabel positif... 45 Lampiran 3. Sampel dataset tweet berlabel negatif ... 46
39
DAFTAR PUSTAKA
[1] U. Verawardina, F. Edi, and R. Watrianthos, “Analisis Sentimen Pembelajaran Daring Pada Twitter di Masa Pandemi COVID-19 Menggunakan Metode Naïve Bayes,” J. Media Inform. Budidarma, vol. 5, pp. 157–163, 2021, doi: 10.30865/mib.v5i1.2604.
[2] M. Syarifuddin, “Analisis Sentimen Opini Publik Mengenai Covid-19 Pada Twitter Menggunakan Metode Naïve Bayes Dan Knn,” Inti Nusa Mandiri, vol. 15, no. 1, pp. 23–28, 2020.
[3] A. Fahmi, I. Ramadhan, P. Studi, S. Informasi, and F. I. Komputer, “Analisis Sentiment Masyarakat Selama Bulan Ramadhan Dalam Menghadapi Pandemi Covid-19,” J. Inform. dan Sist. Inf., vol. 1, no. 1, pp. 608–617, 2020.
[4] 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.
[5] A. Annisa Raudya Wibowo, Nuke Nidya, Aisyah Firdausi Rahma, “Analisis Sentimen Hashtag ‘Dirumahaja’ Saat Pandemi Covid-19 Di Indonesia Menggunakan Nlp,” J. Inform. dan …, vol. 1, no. 2, pp. 343–353, 2020,
[Online]. Available:
http://jifosi.upnjatim.ac.id/index.php/jifosi/article/view/239.
[6] W. E. Nurjanah, R. S. Perdana, and M. A. Fauzi, “Analisis Sentimen Terhadap Tayangan Televisi Berdasarkan Opini Masyarakat pada Media Sosial Twitter menggunakan Metode K-Nearest Neighbor dan Pembobotan Jumlah Retweet,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 1, no. 12, pp. 1750–1757, 2017.
[7] 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.
40
[8] R. Y. Hayuningtyas, “Penerapan Algoritma Naïve Bayes untuk Rekomendasi Pakaian Wanita,” J. Inform., vol. 6, no. 1, pp. 18–22, 2019, doi: 10.31311/ji.v6i1.4685.
[9] S. Fanissa, M. A. Fauzi, and S. Adinugroho, “Analisis Sentimen Pariwisata di Kota Malang Menggunakan Metode Naive Bayes dan Seleksi Fitur Query Expansion Ranking | Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 8, pp. 2766–2770, 2018, [Online]. Available: http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/1962.
[10] Y. I. Kurniawan, “Perbandingan Algoritma Naive Bayes dan C.45 dalam Klasifikasi Data Mining,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 4, p. 455, 2018, doi: 10.25126/jtiik.201854803.
[11] A. Rossi, T. Lestari, R. Setya Perdana, and M. A. Fauzi, “Analisis Sentimen Tentang Opini Pilkada DKI 2017 Pada Dokumen Twitter Berbahasa Indonesia Menggunakan Näive Bayes dan Pembobotan Emoji,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 12, pp. 1718–1724, 2017, [Online]. Available: http://j-ptiik.ub.ac.id.
[12] A. R. Susanti, T. Djatna, and W. A. Kusuma, “Twitter’s sentiment analysis on GSM services using Multinomial Naïve Bayes,” Telkomnika (Telecommunication Comput. Electron. Control., vol. 15, no. 3, pp. 1354– 1361, 2017, doi: 10.12928/TELKOMNIKA.v15i3.4284.
[13] Y. K. D. Aswin Sanjay Neogi, Kirti Anilkumar Garg, Ram Krishn Mishra, “Sentiment analysis and classification of Indian farmers protest using twitter data,” Int. J. Inf. Manag. Data Insights, vol. 1, 2021.
[14] S. Nurul, J. Fitriyyah, N. Safriadi, and E. E. Pratama, “Analisis Sentimen Calon Presiden Indonesia 2019 dari Media Sosial Twitter Menggunakan Metode Naive Bayes,” vol. 5, no. 3, pp. 279–285, 2019.
[15] D. Darwis, N. Siskawati, and Z. Abidin, “Penerapan Algoritma Naive Bayes untuk Analisis Sentimen Review Data Twitter BMKG Nasional,” J. Tekno Kompak, vol. 15, no. 1, pp. 131–145, 2021.
41
[16] Y. Islamy, “Urgensi Pengaturan Trading in Influence Sebagai Sarana Pembangunan Masyarakat,” DiH J. Ilmu Huk., vol. 17, no. 1, 2021, doi: 10.30996/dih.v17i1.4132.
[17] J. Eka Sembodo, E. Budi Setiawan, and Z. Abdurahman Baizal, “Data Crawling Otomatis pada Twitter,” no. October 2018, pp. 11–16, 2016, doi: 10.21108/indosc.2016.111.
[18] B. Gunawan, H. S. Pratiwi, and E. E. Pratama, “Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes,” J. Edukasi dan Penelit. Inform., vol. 4, no. 2, p. 113, 2018, doi: 10.26418/jp.v4i2.27526. [19] W. A. Luqyana, I. Cholissodin, and R. S. Perdana, “Analisis Sentimen
Cyberbullying Pada Komentar Instagram dengan Metode Klasifikasi Support Vector Machine,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 11, pp. 4704–4713, 2018.
[20] J. Ipmawati, Kusrini, and E. Taufiq Luthfi, “Komparasi Teknik Klasifikasi Teks Mining Pada Analisis Sentimen,” Indones. J. Netw. Secur., vol. 6, no. 1, pp. 28–36, 2017.
[21] H. Tuhuteru and A. Iriani, “Analisis Sentimen Perusahaan Listrik Negara Cabang Ambon Menggunakan Metode Support Vector Machine dan Naive Bayes Classifier,” J. Inform. J. Pengemb. IT, vol. 3, no. 3, pp. 394–401, 2018, doi: 10.30591/jpit.v3i3.977.
[22] A. Rahman, W. Wiranto, and A. Doewes, “Online News Classification Using Multinomial Naive Bayes,” ITSMART J. Teknol. dan Inf., vol. 6, no. 1, pp. 32–38, 2017.
[23] B. Kurniawan, M. A. Fauzi, and A. W. Widodo, “Klasifikasi Berita Twitter Menggunakan Metode Improved Naïve Bayes,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 1, no. 10, pp. 1193–1200, 2017.
[24] N. L. Ratniasih, M. Sudarma, and N. Gunantara, “Penerapan Text Mining Dalam Spam Filtering Untuk Aplikasi Chat,” Maj. Ilm. Teknol. Elektro, vol. 16, no. 3, p. 13, 2017, doi: 10.24843/mite.2017.v16i03p03.
42
[25] M. S. H. Simarangkir, “Studi Perbandingan Algoritma - Algoritma Stemming Untuk Dokumen Teks Berbahasa Indonesia,” J. Inkofar, vol. 1, no. 1, pp. 41–47, 2017.
[26] D. P. Artanti, A. Syukur, A. Prihandono, and D. R. I. M. Setiadi, “Analisa Sentimen Untuk Penilaian Pelayanan Situs Belanja Online Menggunakan Algoritma Naïve Bayes,” pp. 8–9, 2018.
[27] M. S. Adhi, M. Z. Nafan, and E. Usada, “Pengaruh Semantic Expansion pada Naïve Bayes Classifier untuk Analisis Sentimen Tokoh Masyarakat,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 3, no. 2, pp. 141–147, 2019, doi: 10.29207/resti.v3i2.901.
[28] L. Oktasari, Y. H. Chrisnanto, and R. Yuniarti, “Text Mining Dalam Analisis Sentimen Asuransi Menggunakan Metode Niave Bayes Classifier,” Pros. SNST, vol. 7, pp. 37–42, 2016.
[29] D. H. Kalokasari, D. I. M. Shofi, and A. H. Setyaningrum, “IMPLEMENTASI ALGORITMA MULTINOMIAL NAIVE BAYES CLASSIFIER PADA SISTEM KLASIFIKASI SURAT KELUAR (Studi Kasus : DISKOMINFO Kabupaten Tangerang),” J. Tek. Inform., vol. 10, no. 2, pp. 109–118, 2017, doi: 10.15408/jti.v10i2.6822.
[30] N. Azhar, “ANALISIS SENTIMEN ULASAN KEDAI KOPI MENGGUNAKAN METODE NAÏVE BAYES DENGAN SELEKSI FITUR ALGORITME GENETIKA SKRIPSI,” 2020.
[31] V. Amrizal, “Penerapan Metode Term Frequency Inverse Document Frequency (Tf-Idf) Dan Cosine Similarity Pada Sistem Temu Kembali Informasi Untuk Mengetahui Syarah Hadits Berbasis Web (Studi Kasus: Hadits Shahih Bukhari-Muslim),” J. Tek. Inform., vol. 11, no. 2, pp. 149– 164, 2018, doi: 10.15408/jti.v11i2.8623.
[32] F. Ratnawati, “Implementasi Algoritma Naive Bayes Terhadap Analisis Sentimen Opini Film Pada Twitter,” J. INOVTEK Polbeng - Seri Inform., vol. 3, no. 1, p. 50, 2018, doi: 10.35314/isi.v3i1.335.
43
Classification Model for Sentiment Analysis,” IJCSNS Int. J. Comput. Sci. Netw. Secur., vol. 19, no. 3, p. 62, 2019, doi: 10.13140/RG.2.2.30021.40169.
