ANALISIS SENTIMEN OPINI PUBLIK MENGENAI COVID-19 MELALUI PLATFORM TWITTER DENGAN METODE NAÏVE BAYES CLASSIFIER ABSTRAK

1

ANALISIS SENTIMEN OPINI PUBLIK MENGENAI COVID-19 MELALUI PLATFORM TWITTER DENGAN METODE NAÏVE

BAYES CLASSIFIER

Ety Sutanty ¹ (ety_s@staff.gunadarma.ac.id), Meilani B Siregar² (meilani@staff.gunadarma.ac.id)

ABSTRAK

(i + 15)

Analisis sentimen atau opinion mining merupakan studi komputasi mengenai sikap, emosi, pendapat, penilaian, pandangan dari sekumpulan teks. Pada penelitian ini, analisis sentimen berguna untuk menganalisis komentar-komentar pengguna Twitter di Indonesia yang memberikan opini terhadap COVID-19. Tujuan dari penelitian ini adalah untuk melakukan analisis sentimen menggunakan pemrograman R, mengetahui opini pengguna akun Twitter terhadap COVID-19 yang hasilnya berupa persentase dari tingkat akurasi dengan menggunakan metode Naïve Bayes Classifier yang diklasifikasikan ke dalam opini positif, negatif, dan netral. Hasil penelitian yang telah dilakukan menunjukkan bahwa COVID-19 memiliki jumlah total sentimen positif sebanyak 253 tweets dan total sentimen negatif 228 tweets dari 481 data tweets yang telah dilakukan proses pre-processing. Hasil dari analisis sentimen menggunakan metode Naïve Bayes Classifer menghasilkan tingkat akurasi sebesar 99,48%, presentase recall sebesar 98,59% dan persentase precision sebesar 100%.

Kata kunci : Analisis Sentimen, COVID-19, Naïve Bayes Classifier, Pemrograman R, Twitter

Daftar Pustaka (2014-2019)

1.1 Latar Belakang

Pada dunia teknologi informasi di zaman modern saat ini, internet

menjadi hal yang sangat wajar bagi masyarakat dunia terutama social media. Social media merupakan salah

2 satu pengaruh dari internet yang digemari banyak orang, yang mana digunakan sebagai media komunikasi terbuka dan masyarakat dapat mengemukakan pendapatnya dengan bebas. Twitter, Facebook, Instagram merupakan salah satu contoh dari social media tersebut.

Secara umum terdapat dua tipe informasi tekstual yaitu fakta dan opini. Fakta adalah pernyataan objektif mengenai entitas dan kejadian di dunia sedangkan opini adalah pernyataan subjektif yang merefleksikan sentimen atau persepsi orang mengenai entitas ataupun kejadian di dunia (Adi, 2018).

Opini adalah pendapat, ide atau pikiran untuk menjelaskan kecenderungan atau preferensi tertentu terhadap perspektif dan ideologi namun bersifat tidak objektif karena belum mendapatkan kepastian atau pengujian, dapat pula merupakan sebuah pernyataan tentang sesuatu yang berlaku pada masa depan dan kebenaran atau kesalahannya serta tidak dapat langsung ditentukan (Ratnawati, 2018). Opini pada jejaring

sosial berupa data teks. Data teks diolah menjadi informasi yang berharga dengan melakukan analisis. Virus Korona COVID-19 telah terjangkit di 199 negara di dunia dengan pasien positif 741.908 jiwa dengan total kasus yang telah pulih 156.602 jiwa dan kasus kematian 35.337 jiwa. Pasien positif terbanyak ditemukan di Amerika Serikat dengan 144.410 jiwa, disusul oleh Italia dengan 97.698 jiwa, Spanyol dengan 85.195, China 63.929 dan Jerman 63.929 jiwa. Indonesia memiliki pasien positif sebanyak 1.414 Jiwa, diantaranya yang telah pulih sebanyak 75 jiwa dengan kasus kematian sebanyak 122 jiwa. ( Worldometer.info/coronavirus diakses pada tanggal 30 Maret 2020)

Analisis sentimen sangat berguna untuk menganalisis komentar- komentar pengguna yang memberikan opini tentang berbagai isu atau topik yang sedang trend dibicarakan. Topik terkait dengan COVID-19 saat ini menjadi salah satu topik yang banyak dibahas oleh pengguna akun Twitter di Indonesia. Berdasarkan latar belakang diatas, maka masalah yang dapat

3 diambil yaitu cara mengetahui hasil persentase terhadap opini pengguna Twitter berdasarkan kata kunci COVID-19. Penelitian ini dilakukan untuk mengetahui persentase opini positif, negatif, dan netral dengan proses klasifikasinya yaitu algoritma Naïve Bayes Classifier (NBC). Hasil opini tersebut diharapkan dapat digunakan sebagai salah satu bahan pertimbangan untuk untuk meningkatkan kewaspadaan di masyarakat dan pengambilan kebijakan pemerintah untuk menangani Virus Corona (COVID-19) kedepannya.

1.2 Rumusan Masalah

Adapun rumusan masalah yang dibahas pada penelitian ini adalah sebagai berikut :

1. Bagaimana mengetahui pendapat public terhadap Virus Korona COVID-19 berdasarkan analisis klasifikasi sentimen dengan sumber data dari media sosial twitter?

2. Bagaimana cara melakukan implementasi dan visualisasi data

pada penelitian analisis sentimen virus Korona COVID-19 ?

3. Bagaimana hasil dari menguji akurasi sistem analisis sentimen pada penelitian ini dengan menggunakan algoritma Naive Bayes Classifier?

1.3 Batasan Masalah

Untuk mendapatkan hasil penelitian seperti yang diharapkan, maka permasalahan dalam penelitian ini dibatasi sebagai berikut :

1. Pengambilan data melalui media Twitter API dengan 500 sample data yang menggunakan bahasa Indonesia.

2. Data yang digunakan tidak dapat diambil dari akun Twitter yang dikunci atau dalam mode private.

3. Pengklasifikasian data menggunakan metode Naïve Bayes Classifier.

1.4 Tujuan

Tujuan dari penelitian ini adalah untuk :

4 1. Melakukan Analisis Sentimen

menggunakan pemrograman R dengan Twitter API sebagai akses data crawling mengenai virus Korona COVID-19.

2. Melakukan implementasi dan visualisasi data dengan RStudio dan package yang terdapat pada pemrogaman R.

3. Menguji tingkat akurasi sistem analisis sentimen menggunakan metode klasifikasi Naive Bayes Classifier.

1.5 Metode Penelitian

Dalam Penelitian ini, tahapan- tahapan metode penelitian yang digunakan dalam analisis sentiment ini yaitu sebagai berikut:

1. Pengumpulan Data

Pengumpulan data yang dilakukan peneliti adalah:

a. Studi Pustaka

Terkait dengan permasalahan Virus Korona COVID-19, peneliti mengumpulkan data dengan melakukan studi pustaka seperti mengakses dokumen portal berita, jurnal, website dan referensi

lainnya, untuk melakukan analisis yang berhubungan dengan Virus Korona COVID-19.

2. Mengakses Twitter

Data berupa tweet yang digunakan dalam penelitian ini diambil dari media sosial twitter dengan menggunakan teknologi yang disediakan oleh twitter untuk pengambilan data dengan cara membuat Twitter Application Programming Interface (API) credential, membuat R Script dengan menggunakan R Programming. Tema dan tweet yang diambil sesuai dengan hal-hal yang berkaitan dengan Virus Korona COVID-19 pada periode pengumpulan data mulai tanggal 14 Juli 2020 hingga 21 Juli 2020.

3. Analisis dan Perancangan

Tahap ini melakukan proses perancangan analisis dan menganalisis setiap tahapan – tahapan text mining yang terdiri dari beberapa tahapan, yaitu:

1. Tahap Preprocessing, yaitu meliputi cleansing data , seleksi

5 tweet, case folding, normalisasi tweet, stopword removal, tokenisasi dan stemming.

2. Pembobotan kata, pada penelitian menggunakan teknik Document Term Matrix

3. Klasifikasi Sentimen, dengan menggunakan metode Naïve Bayes Classifier.

4. Visualisasi dalam bentuk tabel, histogram dan wordcloud..

4. Spesifikasi Perangkat

Perangkat keras yang digunakan untuk penelitian ini sebagai berikut:

a. Processor Intel Core i3-7020U 2.3GHz

b. Memori 4GB RAM DDR4 c. Grafis Intel HD Graphic 620

Integrated with NVIDIA GeForce MX110 2GB GDDR3 VRAM

Perangkat Lunak yang digunakan untuk penelitian ini sebagai berikut:

a. Sistem Operasi Windows 10 Home Single Language 64-bit b. R Studio Version 1.2.5033 c. Google Chrome

5. Implementasi dan Uji Coba Pada tahap akhir, peneliti akan melakukan evaluasi terhadap klasifikasi dengan menggunakan Confusion Matrix untuk menentukan data accuration, precision dan recall

TINJAUAN PUSTAKA

2.1 Analisis Sentimen

Analisis sentimen adalah suatu cara mendeteksi apakah suatu teks mengekspresikan opini yang positif atau negatif secara umum, atau mengenai suatu kesatuan tertentu, seperti produk, orang partai politik, atau suatu kebijakan. Klasifikasi sentimen sudah menjadi suatu teknologi yang sering ditemui di dunia Twitter. Klasifikasi sentimen tweet sudah banyak diaplikasikan di bidang politik, sosial riset pangsa pasar dan lain-lain (Martinez-Camara et al Dalam Nakov et al,2016:1)

2.2 Metode Naïve Bayes Classifier

6 Naïve Bayes Classifier adalah pengklasifikasi yang paling sederhan dan paling umum digunakan. Naïve Bayes Classifier melakukan model klasifikasi dengan cara menghitung probabilitas posterior kelas, berdasrkan distribusi kata-kata dalam dokumen.

Menggunakan Teorema Bayes untuk memprediksi probabilitas bahwa seperangkat fitur yang diberikan milik label tertentu.

Naïve bayes classifier terdiri dari 2 proses dalam proses klasifikasi datanya. Kedua proses itu adalah pembelajaran proses klasifikasi Naïve Bayes Classifier.

1. Proses pembelajaran Naïve Bayes Classifier

Perhitungan 𝑃(𝑉_𝑗), Rumusnya sebagai berikut

𝑃(𝑉

_𝑗

) =

^𝑁𝑐

𝑁 (2.1)

Keterangan :

𝑃(𝑉_𝑗) = Probabilitas kelas yang dimiliki

𝑁_𝑐 = Jumlah dari kelas yang ada N = Jumlah dari data training

Perhitungan 𝑃(𝑥_𝑖|𝑉_𝑗), perhitungan pada data test didefinisikan dengan rumus :

𝑃(𝑥

_𝑖

|𝑉

_𝑗

) =

^𝑛𝑘+1

𝑛+|𝑉𝑜𝑐𝑎𝑏𝑢𝑙𝑎𝑟𝑦|

(2.2) Keterangan :

𝑃(𝑥_𝑖|𝑉_𝑗) = Probabilitas 𝑥_𝑖 pada kelas 𝑉_𝑗. 𝑥_𝑖 adalah kata dalam data testing dan 𝑉_𝑗 kelas yang ada seperti positif, negatif dan netral.

nk = Jumlah kata yang terdapat pada setiap kelas

n = jumlaj data training pada kata Vocabulary = Jumlah semua kata dari semua kategori

2. Proses Klasifikasi Naïve Bayes Classifier

Proses ini menentukan kelas dari data test dengan rumus sebagai berikut :

𝑉

_𝑀𝐴𝑃

=

𝑃(𝑉

_𝑗

) ∏

^𝑛_𝑖=1

𝑃(𝑥

_𝑖

|𝑉

_𝑗

)

𝑉 𝐽 ∈𝑉 arg 𝑚𝑎𝑥

(2.3)

Berikut adalah perhitungan probabilitas untuk kelas positif, negatif

7 dan netral. Probabilitas disimbolkan sebagai p.

𝑝(𝑃𝑜𝑠𝑖𝑡𝑖𝑓|𝑁𝑒𝑔𝑎𝑡𝑖𝑓|𝑁𝑒𝑡𝑟𝑎𝑙) =

𝑗𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑙𝑎𝑠

𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑙𝑎𝑡𝑖ℎ (2.4)

2.3 Confusion Matrix

Confusion Matrix adalah suatu alat bantu yang berguna untuk menganalisis seberapa baik suatu model klasifikator dapat memprediksi hasil klasifikasi dengan benar pada jumlah kelas yang banyak (Han, Kamber, dan Pei, 2012).

3.1 Tahapan Penelitian

Pada penelitian ini, terdapat tahap-tahap untuk dapat melakukan analisis sentimen agar hasil keluaran data sesuai dengan yang diharapkan.

Tahap pertama dimulai dari pengambilan data hingga pengklasifikasian data menggunakan metode Naïve Bayes Classifier.

Gambaran tahapan yang dilakukan sesuai dengan gambar 3.1.

Gambar 3.1 Tahapan Analisis Sentimen

3.2 Mengakses Data Twitter

Untuk pengambilan data tweet dari Twitter API, berikut langkah- langkah

yang akan dilakukan, yaitu:

Gambar 3.2 Tahapan Mengakses Data Twitter

3.3. PREPROCESSING

8 Untuk melakukan akses data Twitter, harus menggunakan OAuth untuk

otentifikasi pengguna. Peneliti perlu untuk mendaftar terlebih dahulu di situs https://apps.twitter.com untuk dapat mengakses data Twitter menggunakan akun twitter yang sudah ada. Pada penelitian ini, data yang digunakan peneliti adalah tweet yang berisikan topik seputar virus korona atau COVID-19

Preprocessing pada penelitian ini terbagi menjadi enam proses, yaitu cleansing data, seleksi tweet, case folding, normalisasi tweet, stopwords removal, tokenisasi dan stemming, seperti yang ditunjukkan oleh gambar 3.2 tentang preprocessing analisis sentimen.

Gambar 3.3 Preprocessing Analisis Sentimen

4. IMPLEMENTASI 4.1 Implementasi Sistem

Implementasi kebutuhan sistem merupakan proses untuk melakukan persiapan data-data serta file-file yang dibutuhkan selama analisis sentimen berlangsung. Tahap ini menjelaskan langkah-langkah dari analisis sentimen dan proses implementasi tahapan- tahapan yang telah dirancang sebelumnya. Software yang diperlukan untuk melakukan implementasi, diantaranya :

9 1. Sistem Operasi Windows 10 Home

Single Language 64-bit 2. R Studio Version 1.2.5033 3. Google Chrome.

Hasil visualisasi analisis sentimen tersebut akan ditampilkan dengan menggunakan R package dari software Rstudio.

4.2 Klasifikasi Data dengan Menggunakan Metode Lexicon- Based.

Pada penelitian ini, pengklasifikasian terhadap label sentimen akan dilakukan berdasarkan polaritas positif, negatif dan netral pada data tweet yang telah diambil menggunakan kamus leksikon yang mempunyai nilai positif dan negatif.

Penelitian ini menggunakan kamus leksikon yang bersumber dari media internet dengan kamus positif berjumlah 7474 kata sedangkan kamus leksikon negatif berjumlah 13738 kata.

Tahapan yang dilakukan setelah melakukan klasifikasi terhadap label sentimen, peneliti melakukan

pembuatan function untuk pemberian label atau sentiment scoring secara terpisah. Function digunakan saat melakukan eksekusi proses pemberian nilai label pada data tweet

4.3 Pembobotan Kata

Pada tahap pembobotan kata (Term Weighting) di penelitian ini menggunakan metode Document Term Matrix (DTM). pembobotan kata akan dilakukan setelah pendefinisian fungsi corpus untuk membaca data pada dataset yang ada. Fungsi corpus dapat digunakan didalam library “tm”.

4.4 Data Training dan Testing

Pada penelitian ini, akan dilakukan pengujian menggunakan metode analisis sentimen Naïve Bayes Classifier berdasarkan hasil dari pembagian data yaitu 60% data training (latih) sebanyak 289 data tweets dan data 40% data testing (uji) sebanyak 192 data tweets.

4.5 Metode Klasifikasi Sentimen Pada penelitian ini, data akan dikelompokkan menjadi 2 kelompok,

10 yaitu data training dan data testing dengan perbandingan data 60:40. Data tweet yang telah dibersihkan pada tahap preprocessing akan dibuat label pada kelas sentimen setiap opini tweet tersebut. Klasifikasi tweet digolongkan menjadi label kelas sentimen positif dan negatif. Untuk melakukan kelas pada suatu teks berisikan opini di penelitian ini dilakukan dengan cara melabelkan kelas secara manual.

Setiap tweet yang berhasil digolongkan menjadi label sentimen postif dan negatif, maka data tweet tersebut digunakan untuk melatih klasifikasi sehingga dapat menghitung nilai seperti accuracy, precision, dan recall terhadap data prediksi dan data aktual. Klasifikasi sentimen menggunakan algoritma Naïve Bayes Classifier dapat dilihat pada gambar 4.19.

4.6 Evaluasi Hasil Analisis Sentimen dengan Metode NBC

Pada tahap ini setiap data tweet dilatih pada Naïve Bayes Classifier.

Setelah selesai dilatih, maka selanjutnya adalah melakukan prediksi

label di setiap tweet yang didapatkan dari proses training diuji dengan data testing. Perbandingan hasil prediksi dan label aktual menghasilkan confusion matrix.

Pada penelitian ini, terdapat 2 label kelas sentimen yaitu positif dan negatif. Data hasil prediksi dibandingkan dengan label aktualnya untuk menghitung tingkat akurasi menggunakan confussion matrix. Hasil dari confusion matrix dapat dilihat pada gambar 4. 1.

Gambar 4.1 Hasil Confusion Matrix Adapun pada analisis sentimen ini memiliki 2 tabel kelas maka dapat dilihat perbandingan confusion matrix 2 kelasnya pada tabel 4.1.

11 Tabel 4.1 Confusion Matrix 2 Kelas

Negatif Positif Total prediction

Negatif 89 0 89

Positif 1 102 103

Total actual

90 102 192

Dari tabel 4.1 dapat ditentukan True Positive sebanyak 102 tweets dan True Negative sebanyak 89 tweets.

Total keseluruhan data yang telah di uji sebanyak 192 tweets yang akan menghasilkan nilai accuracy, recall dan precision.

Accuracy merupakan cara menghitung persentase hasil klasifikasi yang bernilai True Positve dan True negative diantara jumlah data yang digunakan untuk data uji. Selanjutnya, perhitungan nilai akurasi dari setiap kelas yang sukses diprediksi dengan benar. Accuracy merupakan perhitungan yang disebut sebagai tingkat kedekatan antara nilai prediksi dengan nilai aktual. Berikut adalah cara

melakukan perhitungan rumus Accuracy :

𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦

= 𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 + 𝑇𝑟𝑢𝑒 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑒 𝑛

∗ 100%

Maka perhitunganya adalah : 𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 102 + 89

192 ∗ 100%

= 99,48%

Recall merupakan perhitungan persentase data kejadian yang positif yang diprediksi dengan benar dari total kejadian yang memang terdapat di kelas positif. Recall juga merupakan perhitungan yang menentukan tingkat keberhasilan sistem dalam menemukan Kembali sebuah informasi. Berikut adalah cara melakukan perhitungan rumus Recall :

𝑅𝑒𝑐𝑎𝑙𝑙

= 𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒

𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 + 𝐹𝑎𝑙𝑠𝑒 𝑁𝑒𝑔𝑎𝑡𝑖𝑓

∗ 100%

Maka Perhitungannya adalah :

12 𝑅𝑒𝑐𝑎𝑙𝑙 = 102

102 + 1∗ 100%

= 98,59%

Precision merupakan cara untuk melakukan perhitungan persentase dengan data kejadian positif yang di prediksi benar dari total kejadian yang di prediksi pada kelas positif. Berikut adalah cara melakukan perhitungan rumus Precision :

𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛

= 𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒

𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 + 𝐹𝑎𝑙𝑠𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒

∗ 100%

Maka Perhitungannya adalah : 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 102

102 + 0∗ 100%

= 100%

Tahap perhitungan Accuracy, Recall dan Precision selesai, berikut ini merupakan ringkasan dari perhitungan yang telah dilakukan pada tabel 4.3.

Tabel 4.2 Hasil Evaluasi

No Jenis

Perhitungan

Hasil Perhitungan

1 Accuracy 99,48%

No Jenis

Perhitungan

Hasil Perhitungan

2 Recall 98,59%

3 Precision 100%

4.7 Visualisasi Data dalam Bentuk Wordcloud

Wordcloud atau yang sering disebut juga dengan text cloud merupakan metode untuk menampilkan data berupa teks secara visual. Kata- kata yang spesifik akan muncul seiring dengan teks ataupun kata yang sering muncul pada tweet akan semakin besar dan tebal.

Gambar 4.21 Wordcloud

5.1 Kesimpulan

Penelitian analisis sentimen terhadap Virus Korona Covid 19 telah

13 berhasil dilakukan menggunakan Bahasa Pemrograman R dengan software Rstudio sebagai tools dalam pemrograman R. Pengambilan data tweet pada penelitian ini dilakukan dengan metode crawling data pada sosial media Twitter dengan akses Twitter Application Programming Interface (API) sebanyak 500 sampel data tweet. Tweet atau dataset yang telah diperoleh kemudian dilakukan proses preprocessing sebelum melakukan tahapan klasifikasi lexicon- based dan naïve bayes classifier. Pada tahap klasifikasi lexicon based, dataset akan dikategorikan ke dalam 2 kelas

positif dan negatif serta divisualisasikan ke dalam wordcloud.

Dari uraian tersebut, bahwa penelitian analisis sentimen dengan menggunakan metode Naïve Bayes Classifer ini mendapatkan hasil Accuracy sebesar 99,48% menyatakan data yang diprediksi sangat mendekati dengan data yang sebenarnya, Recall sebesar 99,59% menyatakan data pada kelas positif diprediksi hampir tidak memilki kesalahan dan Precision sebesar 100% menyatakan data kejadian positif yang di prediksi benar dari total kejadian yang di prediksi pada kelas positif.

DAFTAR PUSTAKA

1. Arifin, Anwar. 2010. Opini Publik. Gramata Publishing Bara, Jakarta.

2. Barber, I. 2010. Bayesian Opinion Mining. [Online].

Tersedia di:

http://phpir.com/bayesian- opinion-mining [diunduh: 15 Juni 2014].

3. Borcard, D., F. Gillet., & P.

Legendre. 2011. Numerical

Ecology with R. Springer. New York, Dordrecht, London, Heidelberg.

4. Carr, C. T., dan Hayes, R. A.

2015. Social Media: Defining, developing and divining.

Atlantic Journal of Communication, 23:46-65.

5. Crawley, M. J. 2007. The R Book. John Wiley & Sons Ltd, England

6. Ding, X., Liu, B., & Yu, Philip S. 2008. A Holistic Lexicon-

2 Based Approach to Opinion Mining. WSDM

7. Dwi C., R. 2014. Deteksi dan Validasi Informasi Gempa Secara Real-Time Berbasis Social Sensor dengan Twitter.

JURNAL TEKNIK POMITS Vol. 2, No. 1.

8. Evasaria, M. S., Herastia, M., Ivan, Z. 2016. Perancangan Sistem Analisis Sentimen

Komentar Pelanggan

Menggunakan Metode Naive Bayes Classifier. Jurnal Sistem Informasi (JSI), VOL. 8, NO. 1, April 2016.

9. Fitriyanto, Pane, I. A., Syahril, R., Maulizal A., Permatasari A., C. 2018. Peran Netizen Dalam Membentuk Opini Publik (Studi Kasus Pada Siswa SMKN 4 Bekasi). Vol. 1 No. 3 Agustus 2018, Hal. 526-532.

10. Giatsogloua, M., Vozalis, M.G., Diamantaras, K., Vakali, A., Sarigiannidis, G., &

Chatzisavvas, K. C., 2017.Sentiment Analysis leveraging emotions and word embeddings. Expert System With Applications, 214-224.

11. Gotama P, J, W, 2019.Pengenalan Konsep Pembelajaran Mesin dan Deep Learning. E-book on Github.

12. Han, J., Kamber, M., & Pei, J.

2012. Data Mining: Concepts and Techniques. San Fransisco:

Morgan Kaufan Publisher.

13. Handayani, D., Rendra Hadi, D., Isbaniah F., Burhan, E., &

Agustin H. 2020. Penyakit Virus Corona 2019. JURNAL RESPIROLOGI INDONESIA VOLUME 40, NOMOR 2, April 2020.

14. Iqbal Qeis, M. 2015. Aplikasi Wordcloud Sebagai Alat Bantu Analisis Wacana. Conference:

International Conference on Language, Culture, and Society - ICLCS LIPI 2015.

15. Jain, A, P,. & Dandannavar, P.

2016. Application of machine learning techniques to sentiment analysis. 2016 2^nd international conference on applied and theoretical computing and communication technology (iCATccT).

Bangalore, India: IEEE.

16. Kadir, A. 2019. Langkah Mudah Pemrograman R.

Jakarta: PT Elex Media Komputindo.

17. Listari, Ihsan., M., Paradistia., E., R., Widodo., E., 2019.

Analisis Sentimen Twitter terhadap Bom Bunuh Diri di

3 Surabaya 13 Mei 2018 menggunakan pendeketan Support Vector Machine.

PRISMA, Prosiding Seminar Nasional Matematika 2,416- 426.

18. Mahardhika, Y, S., Zuliarso E.

2018.Analisis Sentimen Terhadap Pemerintahan Joko Widodo Pada Media Sosial Twitter Menggunakan Algoritma Naives Bayes Classifier, Prosiding SINTAK 2018 ISBN: 978-602-8557-20- 7.

19. Nakov,P.,A.R., S.R., Sebastiani, F., & Stoyanov, V., Semeval-2016 task 4: Sentimen Analysis in Twitter, Proceedings of SemEval-2016 (pp.1-18). San Diego, California: Association for Computational Linguistics, 2016.

20. Pramono, A., Indriati, R., Nugroho, A. 2017. Sentiment Analysis Tokoh Politik pada Twitter, Seminar Nasional Inovasi Teknologi, 195-200.

21. Pratama, J. A., Suprijadi, Y., Zulhanif. 2017. Analisis Sentimen Media Twitter Dengan Algoritma Machine Learning Menggunakan Software R. Jurnal Fourier. Vol.

6, No. 2, 85-89.

22. Rigolin, V. H., 2018.What is Twitter? How do I get started?

Why should I become a user?.

Journal of the American Society of Echocardiography, 31(3), A31-A32.

23. Utomo, B. Y., & Bijaksana, M.

A., 2016. Comprehensive Comparison of Term weighting.

2016 Fourth International Conference on Information and Communication Technologies (ICoICT). Bandung:IEEE.

24. Weller, K,. Bruns, A., Burgess, J., Mahrt, M,. & Puschmann, C, 2014. Twitter and Society. New York:Digital Formations,89.

25. Yadollahi, A., Shahraki, A. G.,

& Zaiane, O. R., 2017. Current State of text Sentiment analysis from opnion. ACM Computing Surveys, Vol. 50, No. 2, Article 25, 1-33.

26. Zikri Fachrul Nurhadi. 2017.

MODEL KOMUNIKASI

SOSIAL REMAJA MELALUI MEDIA TWITTER. Jurnal ASPIKOM, Volume 3 Nomor 3 Juli 2017, hlm 539-549.

27. Zuur, F.A., E. N. Ienol., & E.

H.W.G. Meesters. 2009. A Beginner’s Guide to R.

Springer, Dordrecht, Heidelberg, London, New York.

4 28. Kerugian Akibat Virus Corona

Lebih Besar Dibanding Perang Dagang. Tauhid Ahmad. 17 Maret 2020

https://www.liputan6.com/bisni s/read/4204016/kerugian- akibat-virus-corona-lebih- besar-dibanding-perang-dagang diakses pada tanggal 30 Maret 2020

29. Worldometer – Corona Virus Case

https://www.worldometers.info /coronavirus/ diakses pada tanggal 30 Maret 2020 - Indonesia pada urutan 38 worldometer per tanggal 30 Maret 2020

30. Ekonomi porak poranda akibat corona, bagaimana langkah penyelamatan oleh pemerintah?

Sri Mulyani, Bank Indonesia pada tanggal 29 Maret 2020 https://fokus.kontan.co.id/news /ekonomi-porak-poranda- akibat-corona-bagaimana- langkah-penyelamatan-oleh- pemerintah-1?page=all diakses pada tanggal 30 Maret 2020