Analisis Penyebaran Informasi Vaksin Covid-19 Pada Twitter Menggunakan Kolaborasi SNA dan Sentiment Analysis

Analisis Penyebaran Informasi Vaksin Covid-19 Pada Twitter Menggunakan Kolaborasi SNA dan Sentiment Analysis

Stanny Dewanty Rehatta*, Eko Sediyono, Irwan Sembiring

Fakultas Teknologi Informasi, Magister Sistem Informasi, Universitas Kristen Satya Wacana, Salatiga, Indonesia

1972019018@student.uksw.edu, ²eko@uksw.edu, ³irwan@uksw.edu Email Penulis Korespondensi: 972019018@student.uksw.edu

Abstrak−Pemanfaatan vaksin Covid-19 sebagai upaya dalam mengatasi dan melindungi masyarakat Indonesia dari pandemi Covid-19 ramai diperbincangkan pada media sosial twitter. Keberadaan vaksin Covid-19 di Indonesia menuai berbagai pendapat karena banyaknya informasi yang dibagikan pengguna twitter mengenai vaksin Covid-19. Penelitian ini menggunakan kolaborasi social network analysis (SNA) dan sentiment analysis. Dalam penelitian ini, SNA dikolaborasikan dengan sentiment analysis untuk mengklasifikasikan sentimen positif dan negatif dalam berita yang disebarkan oleh para aktor yang berpengaruh berdasarkan kelompok yang terbentuk dalam jaringan SNA. Sentiment analysis dalam penelitian ini menggunakan algoritma klasifikasi support vector machine (SVM). Hasil penelitian SNA menunjukan terdapat 6 aktor berpengaruh berdasarkan kelompok yang terbentuk dalam jaringan. Aktor dengan popularitas tertinggi yaitu aktor

@KemenkesRI dengan degree centrality mencapai 194, sedangkan aktor dengan degree centrality terendah yaitu aktor

@rudeski83. Selain itu aktor dengan betweenness centrality tertinggi yaitu aktor @KemenkesRI karena berperan penting dalam menyebarkan informasi mengenai vaksin Covid-19 pada media sosial twitter. Hasil pengujian klasifikasi SVM menunjukan aktor @KemenkesRI dengan tingkat akurasi mencapai 97% dan aktor @Vaksin_Update dengan tingkat akurasi mencapai 90%

merupakan aktor dengan persentase sentimen positif sebesar 95%, sedangkan aktor @rudeski83 dengan tingkat akurasi mencapai 98% merupakan aktor dengan persentase sentimen negatif sebesar 80%. Berdasarkan hal diatas, dapat diketahui bahwa kolaborasi SNA dan sentiment analysis yang dilakukan menunjukan bahwa 5 dari 6 aktor yang berpengaruh dan berperan penting dalam penyebaran informasi mengenai vaksin Covid-19 pada media sosial twitter memiliki pengaruh positif.

Kata Kunci: Analisis Jejaring Sosial; Analisis Sentimen; Support Vector Machine; Twitter; Vaksin Covid-19

Abstract−The use of the Covid-19 vaccine as an effort to overcome and protect the Indonesian people from the Covid-19 pandemic has been widely discussed on Twitter social media. The existence of the Covid-19 vaccine in Indonesia has drawn various opinions because of the large amount of information shared by Twitter users regarding the Covid-19 vaccine. This study uses the collaboration of social network (SNA) and sentiment analysis. In this study, SNA collaborated with sentiment analysis to classify positive and negative sentiments in news spread by influential actors based on groups formed in the SNA network. SNA research shows there are 6 influential actors based on the group formed in the network. The actors with the highest popularity are @KemenkesRI with a degree of centrality reaching 194, while actors with the lowest degree of centrality are @rudeski83. In addition, actors with the highest centrality betweenness are @KemenkesRI because it plays an important role in disseminating information about the Covid-19 vaccine on social media twitter. SVM classification test results showed

@KemenkesRI actor with an accuracy rate of 97% and @Vaksin_Update with an accuracy rate of 90% are actors with a positive sentiment percentage of 95%, while actors @rudeski83with an accuracy rate of 98% is an actor with a negative sentiment percentage of 80%. Based on the above, it can be seen that the SNA collaboration and sentiment analysis carried out showed that 5 out of 6 actors who were influential actors based on the group formed in the network.

Keywords: Social Network Analysis; Sentiment Analysis; Support Vector Machine; Twitter; Covid-19 Vaccine

1. PENDAHULUAN

Teknologi informasi yang semakin berkembang pesat memudahkan setiap individu masyarakat dalam memperoleh informasi. Informasi dapat dengan mudah diperoleh dan diakses melalui media sosial. Media sosial merupakan media online yang penggunanya dapat terhubung satu sama lain untuk berkomunikasi dan berbagi informasi secara cepat dan tak terbatas [1]. Salah satu media sosial yang banyak digemari dan dijadikan media penyebaran informasi adalah twitter. Twitter merupakan jaringan sosial dan layanan microblogging atau layanan pesan cepat dan tepat yang memungkinkan pengguna mengirim pesan waktu nyata atau yang biasa disebut tweet [2]. Tweet salah satu fitur pada twitter yang dijadikan sebagai sarana interaksi dan berekspresi dalam penyebaran informasi. Penyebaran informasi mengenai Covid-19 di Indonesia sangat gencar diberitakan pada media sosial twitter. Covid-19 atau Coronavirus disease 2019 merupakan coronavirus jenis baru (SARS-CoV-2) yang menyebar melalui tetesan air liur atau cairan dari hidung saat orang yang terinfeksi batuk atau bersin, virus ini muncul pada akhir tahun 2019 di Wuhan, Tiongkok, Cina [3]. Penanganan Covid-19 sebagai upaya dalam menekan angka penyebaran telah dilakukan oleh Pemerintah mulai dari menerapkan protokol kesehatan untuk memutus mata rantai penyebaran, melakukan pembatasan sosial berskala besar, melakukan rapid test untuk memperoleh indikasi tertularnya virus, hingga yang terbaru saat ini yaitu melakukan vaksinasi. Vaksin merupakan suatu tindakan pencegahan penyakit dengan melakukan rangsangan pada sistem imunitas tubuh yang berfungsi untuk melindungi diri dari paparan penyakit [4]. Vaksin menjadi upaya terbaru Pemerintah dalam menekan angka penyebaran Covid-19 di Indonesia karena dianggap sebagai upaya dalam mengatasi dan melindungi masyarakat Indonesia dari pandemi Covid-19 [5]. Pemanfaatan vaksin Covid-19 ramai diperbincangkan pada media sosial twitter. Keberadaan vaksin Covid-19 di Indonesia menuai berbagai pendapat karena banyaknya informasi yang dibagikan pengguna twitter mengenai vaksin Covid-19.

Berdasarkan latar belakang diatas, penelitian ini menggunakan kolaborasi social network analysis (SNA) dan sentiment analysis. SNA merupakan proses menyelidiki struktur sosial melalui penggunaan jaringan dan teori grafik yang mencirikan struktur jaringan dengan menggambarkan node sebagai aktor individu atau orang dan edge sebagai hubungan, relasi atau interaksi dalam jaringan [6], dalam istilah matematika jaringan mengacu pada struktur grafik untuk mewakili orang atau objek sebagai node dan hubungan sebagai tepi yang dapat diarahkan atau hubungan tidak terarah [7]. SNA digunakan untuk memodelkan visualisasi penyebaran informasi mengenai vaksin Covid-19 dengan mengelompokan aktor yang berpengaruh dalam jaringan dan mengidentifikasi popularitas aktor-aktor tersebut sehingga dapat diketahui kelompok-kelompok jaringan yang terbentuk berdasarkan penyebaran informasi vaksin Covid-19 di twitter. Penelitian sentiment analysis menjadi topik penelitian yang menarik dalam web data mining. Sentiment analysis merupakan salah satu bidang studi yang bertujuan untuk menganalisis pendapat, sentimen, penilaian, sikap, dan emosi orang terhadap entitas yang berupa produk, layanan, organisasi, masalah atau topik tertentu yang diungkapkan dalam dokumen teks tertulis[8]. Dalam penelitian ini, SNA dikolaborasikan dengan sentiment analysis dengan tujuan untuk mengklasifikasikan sentimen positif dan negatif dalam berita yang disebarkan oleh para aktor yang berpengaruh berdasarkan kelompok yang terbentuk dalam jaringan SNA. Algoritma yang dapat digunakan dalam penelitian sentiment analysis antara lain yaitu Support Vector Machine (SVM), Naïve Bayes Classifier (NBC), Convolutional Neural Network (CNN), K-Nearest Neighbor (KNN). Penelitian ini menggunakan algoritma SVM yang merupakan salah satu klasifikasi populer yang bertujuan untuk menemukan hyperplane terbaik yang memisahkan dua kelas poin dengan margin terbaik [9]. SVM merupakan salah satu metode supervised learning yang memberikan hasil akurasi terbaik daripada algoritma naive bayes. Algoritma SVM merupakan gambaran contoh sebagai titik dalam ruang yang dipetakan sehingga contoh dari kategori yang berbeda dipisahkan dengan margin yang jelas selebar mungkin [10]. Klasifikasi SVM bertugas mencari hyperplane terbaik guna memisahkan kelas bersentimen positif (+1) dan kelas bersentimen negatif (-1) [11]. Penelitian terkait SNA dan Sentiment Analysis sudah banyak dilakukan, penelitian dengan judul Analysis of Indonesia Politics Polarization before 2019 President Election Using Sentiment Analysis and Social Network Analysis menunjukan bahwa penelitian yang dilakukan untuk mengklasifikasikan sentimen serta mengevaluasi dengan memodelkan penyebaran informasi yang terjadi di jejaring sosial Twitter [12]. Penelitian lain dengan judul Ekstraksi Knowledge Tentang Penyebaran #RATNAMILIKSIAPA Pada Jejaring Sosial (Twitter) Menggunakan Social Network Analysis (SNA) dilakukan untuk menemukan aktor-aktor yang yang berpengaruh dalam jaringan terhadap kelompok-kelompok yang terbentuk. Hasil penelitian menunjukan terdapat 3 aktor kunci yang berperan dalam menyebarkan tweet dengan tagar #RATNAMILIKSIAPA pada media sosial twitter [13]. Penelitian dengan judul Analisis Sentimen Masyarakat terhadap Tindakan Vaksinasi dalam Upaya Mengatasi Pandemi Covid-19, penelitian yang dilakukan untuk mengetahui opini masyarakat terhadap tindakan vaksinasi, penelitian ini menggunakan klasifikasi Naïve Bayes dan SVM. Hasil penelitian menunjukan bahwa metode klasifikasi naïve bayes mendapatkan akurasi lebih tinggi daripada klasifikasi SVM dengan hasil analisis sentimen yang mendapat respon positif [14].

Perbedaan penelitian ini dengan penelitian sebelumnya yang pertama yaitu penelitian ini mengkolaborasikan SNA dengan sentiment analysis, dimana SNA digunakan untuk mengelompokan aktor yang menyebarkan informasi mengenai vaksin Covid-19 kemudian dilakukan sentiment analysis untuk mengetahui sentimen positif atau negatif berdasarkan kelompok yang terbentuk dalam jaringan SNA, berbeda dengan penelitian sebelumnya yang dilakukan yaitu sentiment analysis terlebih dahulu kemudian dilakukan SNA, dimana data tweet di sentimenkan kemudian dimodelkan menggunakan SNA. Perbedaan dengan penelitian kedua yaitu penelitian ini tidak mendalami SNA secara keseluruhan, penelitian ini hanya menggunakan degree centrality untuk mengelompokan aktor yang berpengaruh dan betweenness centrality untuk mengetahui aktor yang berpengaruh dan berperan penting dalam menyebarkan informasi mengenai vaksin Covid-19 di twitter. Perbedaan dengan penelitian ketiga yaitu penelitian ini menggunakan kolaborasi SNA dan sentiment analysis algoritma klasifikasi SVM untuk mengklasifikasikan sentimen positif atau negatif dalam berita yang disebarkan oleh para aktor yang berpengaruh berdasarkan kelompok yang terbentuk dalam jaringan SNA, sedangkan penelitian sebelumnya berbeda karena penelitian tersebut berfokus pada analisis sentimen masyarakat terhadap dua jenis vaksin yang digunakan yaitu vaksin sinovac dan vaksin merah putih yang dianalisis menggunakan metode klasifikasi Naïve Bayes dan SVM. Hasil penelitian diharapkan dapat membantu Pemerintah dalam mengambil kebijakan terkait keberlangsungan program vaksin Covid-19 di Indonesia berdasarkan analisis jaringan sosial terhadap kelompok- kelompok yang terbentuk dalam menyebarkan informasi positif atau negatif mengenai vaksin Covid-19 pada media sosial twitter, serta diharapkan dapat mengedukasi masyarakat agar lebih cermat dalam menanggapi dan beropini terhadap suatu informasi pada media sosial. Dari segi akademis dapat dijadikan referensi atau acuan penelitian yang berkaitan dengan SNA dan sentiment analysis.

METODOLOGI PENELITIAN

2.1 Tahapan Penelitian

Penelitian ini memiliki beberapa tahapan, berikut ini tahapan penelitian yang dilakukan antara lain yaitu:

Tahap I: Pengumpulan data

Tahap ini pengumpulan data twitter dilakukan menggunakan bahasa pemrograman python dengan kata kunci yang berkaitan dengan “Vaksin Covid-19”. Data yang dikumpulkan diambil secara acak baik akun user atau media online pada twitter dengan rentang waktu bulan maret-juni sebanyak 5260 data tweet.

Tahap II: Pengolahan data

Pada tahap ini data twitter yang telah dikumpulkan, kemudian dilakukan pengolahan dengan memfiltering data sesuai dengan kriteria data yang akan digunakan.

Tahap III: Proses Analisis

Tahap ini data yang telah melalui proses pengolahan kemudian dilakukan analisis. Pada penelitian ini menggunakan dua tahap analisis yaitu:

1. SNA

Pada analisis pertama, data yang telah dikumpulkan kemudian divisualisasikan menggunakan cytoscape.

Analisis data yang dilakukan bertujuan untuk menemukan aktor yang berpengaruh berdasarkan popularitas aktor dalam penyebaran informasi mengenai vaksin Covid-19. Sentralitas yang diukur bertujuan untuk menemukan aktor yang berperan penting dalam jaringan [15]. Sentralitas yang diukur adalah degree centrality dan betweenness centrality.

a. Degree Centrality: mengukur jumlah aktor yang terhubung ke aktor lain dalam jaringan. Degree centrality menunjukan aktor dengan sentralitas tertinggi sehingga dianggap penting dalam jaringan karena dapat menjangkau sebagian besar jaringan [16]. Rumus degree centrality sebagai berikut:

Cd(i) = ^𝑑(𝑖)

𝑛−1 (1)

Keterangan

Cd : Degree Centrality

D : Jumlah Link

N : Jumlah Populasi

b. Betweenness Centrality: mengukur seberapa pentingnya seorang aktor sebagai penghubung antara jaringan yang berbeda [16]. Rumus betweenness centrality sebagai berikut:

Cb =

𝑔𝑖𝑗𝑃𝑘 𝑔𝑖𝑗

𝑛²−3𝑛+2 (2)

Keterangan

Cb : Betweenness Centrality

GijPk : Jumlah Tahap

gij : Jumlah Jarak

n²-3n+2 : Jumlah Populasi 2. Sentiment Analysis

Data yang digunakan dalam sentiment analysis merupakan data twitter aktor-aktor yang terbentuk dari kelompok-kelompok dalam pemetaan jaringan SNA yang telah melalui tahap preprocessing data.

Preprocessing dilakukan untuk membersihkan sumber data yang didalamnya terdapat kata-kata yang tidak diperlukan. Preprocessing terdiri dari beberapa tahap antara lain yaitu [17]:

a. Cleansing: Tahap dimana data tweet yang mengandung tanda baca(.,?!), hastag(#), mention (@), retweet (RT) dan URL (http://) dihapus atau dihilangkan.

b. Case Folding: Tahap dimana data tweet yang berupa huruf besar atau uppercase diubah menjadi huruf kecil atau lowercase

c. Tokenizing: Tahap memecah-mecahkan kata pada data menjadi suatu kalimat

Setelah melalui tahap preprocessing data kemudian dilakukan pelabelan data. Penelitian ini menerapkan algoritma klasifikasi SVM. Data yang digunakan dibagi menjadi data latih 60% dan data uji 40%.

Tahap IV: Hasil dan Pembahasan

Pada tahap ini hasil analisis dari SNA dan sentiment analysis kemudian dijabarkan dan diinterpretasikan.

Tahap V: Kesimpulan

Tahap terakhir yaitu memberikan kesimpulan yang merangkum hasil penelitian yang telah dilakukan.

Gambar 1. Tahapan Penelitian

3. HASIL DAN PEMBAHASAN

3.1 Implementasi Social Network Analysis

Jumlah data yang digunakan dalam SNA sebanyak 5260 data yang diambil dari twitter menggunakan kata kunci yang berkaitan dengan “Vaksin Covid-19”. Setelah proses crawling data dilakukan, data dinormalisasi sesuai dengan kriteria data yang akan digunakan. Data twitter yang telah dinormalisasi kemudian di analisis menggunakan cytoscape. Berikut ini merupakan hasil visualisasi SNA penyebaran informasi vaksin Covid-19 di Indonesia pada media sosial twitter.

Gambar 2. Visualisasi SNA Vaksin Covid-19 Menggunakan Cytoscape Tabel 2. Keterangan Relasi Penyebaran Informasi Vaksin Covid-19

Kode Keterangan

Popularitas Tertinggi Dalam Jaringan Popularitas Rendah Dalam Jaringan Popularitas Sangat Rendah Dalam Jaringan Aktor Yang Tidak Memiliki Relasi Dalam Jaringan Aktor/Node (Akun Twitter)

Relasi/Edge (Mention, Reply, Retweet)

Sentralitas yang ukur dalam penelitian ini adalah degree centrality dan betweenness centrality. Berdasarkan analisis jaringan SNA yang telah dilakukan, degree centrality dalam penelitian ini digunakan untuk mengelompokan aktor-aktor yang berpengaruh dalam jaringan SNA, sedangkan betweenness centrality digunakan untuk mengidentifikasi popularitas aktor berpengaruh dan berperan penting dalam menyebarkan informasi mengenai vaksin Covid-19 pada media sosial twitter. Hasil analisis menunjukan terdapat 6 aktor yang berpengaruh, dapat dilihat pada tabel 3 dibawah ini.

Tabel 3. Hasil Perhitungan Centrality Aktor Pada Jaringan

Aktor Degree Centrality Betweenness Centrality

@KemenkesRI 194 403656

@Vaksin_Kita 70 36667

Aktor Degree Centrality Betweenness Centrality

@Vaksin_Update 70 35587

@sikercilmarmut 68 158133

@VaksinBersama 67 34436

@rudeski83 60 91086

(a) (b) (c)

(d) (e) (f)

Gambar 3. Visualisasi 6 Aktor Berpengaruh Dalam Jaringan Menggunakan Cytoscape

Pada gambar 3 diatas merupakan aktor-aktor yang berpengaruh dalam jaringan berdasarkan analasis jaringan SNA yang telah dilakukan menggunakan Cytoscape. Dari hasil analisis jaringan SNA, aktor

@KemenkesRI sebagai aktor dengan nilai degree centrality tertinggi yaitu 194 kemudian di posisi kedua dan ketiga yaitu aktor @Vaksin_Kita dan @Vaksin_Update dengan nilai degree centrality 70. Sedangkan aktor dengan nilai degree centrality terendah yaitu aktor @rudeski83 dengan nilai degree 60. Berdasarkan analisa degree centrality aktor @KemenkesRI mencapai nilai degree centrality tertinggi karena berpengaruh dalam jaringan SNA. Selanjutnya, aktor dengan betweenness centrality tertinggi yaitu @KemenkesRI dengan nilai 403656 kemudian di posisi kedua dan ketiga yaitu aktor @sikecilmarmut dan @rudeski dengan nilai 158133 dan 91086, sedangkan aktor dengan betweenness centrality terendah yaitu @VaksinBersama dengan nilai 34436. Berdasarkan analisa betweenness centrality, @KemenkesRI sebagai aktor dengan nilai betweenness centrality tertinggi karena berpengaruh dan berperan penting dalam menyebarkan informasi mengenai Vaksin Covid-19 di Indonesia pada media sosial twitter, Lyonly dalam Eriyanto mengatakan aktor dengan nilai betweenness centrality tertinggi memiliki peran penting dalam sebuah jaringan karena berperan sebagai penghubung dua kelompok jaringan yang berbeda, dapat mengontrol informasi, serta memanipulasi informasi [13].

3.2 Implementasi Sentiment Analysis

Data yang digunakan dalam proses sentiment analysis merupakan data twitter dari aktor-aktor yang terbentuk dari kelompok-kelompok dalam pemetaan jaringan SNA. Sebelum dilakukan pengujian klasifikasi, data akan terlebih dahulu melalui tahap preprocessing. Tahap preprocessing yang digunakan dalam penelitian ini yaitu cleansing, case folding dan tokenizing, dapat dilihat pada tabel 4 dibawah ini.

Tabel 4. Preprocessing Data

Preprocessing Hasil

Tweet RT @VaksinBersama: Ayo bantu dan dampingi lansia kita untuk mendapatkan vaksinasi. \nSemakin banyak yang divaksin semakin cepat terbentuk kekebalan kelompok\xe2\x80\xa6'

Cleansing Ayo bantu dan dampingi lansia kita untuk mendapatkan vaksinasi Semakin banyak yang divaksin semakin cepat terbentuk kekebalan kelompok

Case Folding ayo bantu dan dampingi lansia kita untuk mendapatkan vaksinasi semakin banyak yang divaksin semakin cepat terbentuk kekebalan kelompok

Tokenizing ‘ayo’, ‘bantu’, ‘dan’, ‘dampingi’, ‘lansia’, ‘kita’, ’untuk’, ‘mendapatkan’,

‘vaksinasi’, ‘semakin’, ’banyak’, ‘yang’, ‘divaksin’, ‘semakin’, ‘cepat’, ‘terbentuk’,

‘kekebalan’, ‘kelompok’

Gambar 4. Contoh Tweet

Data hasil preprocessing kemudian diberi label positif atau negatif yang dilakukan secara manual, tanpa menghilangkan makna dari kalimat. Label positif yang diberikan menunjukan gambaran positif berupa senang, bahagia, puas, serta saran, dan pujian. Sedangkan label negatif menunjukan gambaran negatif berupa rasa kecewa, marah, kesal serta kritik, sindiran, dan keluhan.

Tabel 5. Pelabelan Data

Label Tweet

Positif memberikan kesempatan buat kamu para pendamping yang membawa 2 lansia bisa ikut divaksinasi juga loh

Positif ayo bantu dan dampingi lansia kita untuk mendapatkan vaksinasi semakin banyak yang divaksin semakin cepat terbentuk kekebalan kelompok

Positif karena vaksinasi adalah cara terbaik melawan pandemi virus corona ini bantu orang tua kita yang lansia agar segera dapat vaksinasi vaksin covid

Positif saling melindungi dengan lakukan vaksinisasi dan terapkan protokol kesehatan

Positif mari kita sosialisasikan terus kepada orang tua dan lansia disekitar kita bahwa vaksinasi ini sangat membantu melindungi diri

Negatif sudah sewajibnya stop program vaksinasi nya jika efek samping tersebut mungkin terjadi dan banyak kasus kipi sampai meninggal sudah terjadi akibat vaksinasi

Negatif bukan paling benar tapi kita memang paling benar motif kami untuk memutus mata rantai pencaharian buzzer sales vaksin seperti kalian

Negatif daripada pusing mending tidak usah vaksin sejak awal susah sih bangsa pemalas pengin segalanya praktis padahal ada ribuan cara alami memperkuat imunitas

Negatif ya jelas kami provokasi untuk mengembalikan manusia ke titah yang benar dengan tolak vaksin lah kamu kerja jadi buzzer cuma terima gaji buta

Negatif lihat banyak juga yang mati karena vaksin atau anda sudah dibutakan gaji

Data twitter setiap aktor yang digunakan terdiri dari aktor @KemenkesRI 857 data, aktor @Vaksin_Kita 167 data, aktor @Vaksin_Update 154 data, aktor @sikecilmarmut 135 data, aktor @VaksinBersama 157 data, dan aktor @rudeski83 275 data, sehingga total data keseluruhan yang digunakan sebesar 1745 data. Data yang digunakan untuk proses pengujian klasifikasi dibagi menjadi data latih 60% dan data uji 40%.

Tabel 6. Hasil Pengujian SVM Aktor-Aktor

Aktor Accuracy

(%)

Precision (%)

Recall (%)

F1-score (%)

@KemenkesRI 0.99 0.99 1.00 0.99

@Vaksin_Kita 0.97 0.97 1.00 0.98

@Vaksin_Update 0.90 0.92 0.98 0.95

@sikercilmarmut 0.93 0.92 1.00 0.96

@VaksinBersama 0.94 0.97 0.97 0.97

@rudeski83 0.98 1.00 0.91 0.95

(a)

(b) (c)

(d) (e) (f)

Gambar 5. Hasil Akurasi Pengujian

Pada Gambar 5.a merupakan hasil pengujian klasifikasi SVM menunjukan aktor @KemenkesRI memiliki tingkat accuracy 99% precision 99% recall 100% f1-score 99%, dengan sentimen positif mencapai 95% dan negatif 5%. Pada Gambar 5.b merupakan hasil pengujian klasifikasi SVM menunjukan aktor @Vaksin_Kita memiliki tingkat accuracy 97% precision 97% recall 100% f1-score 98%, dengan sentimen positif mencapai 93%

dan negatif 7%. Pada Gambar 5.c merupakan hasil pengujian klasifikasi SVM menunjukan aktor @Vaksin_Update memiliki tingkat accuracy 90% precision 92% recall 98% f1-score 95%, dengan sentimen positif mencapai 95%

dan negatif 5%. Pada Gambar 5.d merupakan hasil pengujian klasifikasi SVM menunjukan aktor @sikecilmarmut memiliki tingkat accuracy 93% precision 92% recall 100% f1-score 96%, dengan sentimen positif mencapai 90%

dan negatif 10%. Kemudian pada Gambar 5.e merupakan hasil pengujian klasifikasi SVM menunjukan aktor

@VaksinBersama memiliki tingkat accuracy 94% precision 97% recall 97% f1-score 97%. Pada Gambar 5.f merupakan hasil pengujian klasifikasi SVM menunjukan aktor @rudeski memiliki tingkat accuracy 98% precision 100% recall 91% f1-score 95%, dengan sentimen positif mencapai 20% dan negatif 80%. Berikut ini merupakan tabel persentase sentiment analysis aktor-aktor yang berpengaruh dalam pemetaan jaringan SNA, dapat dilihat pada tabel 7 dibawah ini.

Tabel 7. Sentiment Analysis Aktor

Aktor Sentiment Positif Sentiment Negatif

@KemenkesRI 95% 5%

@Vaksin_Kita 93% 7%

@Vaksin_Update 95% 5%

@sikercilmarmut 90% 10%

@VaksinBersama 93% 7%

@rudeski83 20% 80%

4. KESIMPULAN

Berdasarkan penelitian yang telah dilakukan dapat ditarik kesimpulan bahwa analisis SNA yang dilakukan terbentuk kelompok-kelompok besar dalam jaringan yang terdiri dari 6 aktor yang berpengaruh dalam pemetaan jaringan SNA. Aktor dengan popularitas tertinggi yaitu aktor dengan akun @KemenkesRI dengan degree centrality mencapai 194, sedangkan aktor dengan degree centrality terendah yaitu aktor @rudeski83. Selain itu aktor dengan betweenness centrality tertinggi yaitu aktor @KemenkesRI karena berperan penting dalam menyebarkan informasi mengenai vaksin Covid-19 pada media sosial twitter. Sentiment analysis yang dilakukan dalam penelitian ini menggunakan 1745 data yang terdiri dari aktor @KemenkesRI 857 data, aktor @Vaksin_Kita 167 data, aktor @Vaksin_Update 154 data, aktor @sikecilmarmut 135 data, aktor @VaksinBersama 157 data, dan aktor @rudeski83 275 data. Data yang telah dilakukan pelabelan positif dan negatif kemudian dibagi menjadi data latih 60% dan data uji 40%. Hasil pengujian klasifikasi SVM menunjukan aktor @KemenkesRI dengan tingkat akurasi mencapai 97% dan aktor @Vaksin_Update dengan tingkat akurasi mencapai 90% merupakan aktor dengan

persentase sentimen positif sebesar 95%, sedangkan aktor @rudeski83 dengan tingkat akurasi mencapai 98%

merupakan aktor dengan persentase sentimen negatif sebesar 80%. Berdasarkan hal diatas, dapat diketahui bahwa kolaborasi SNA dan sentiment analysis yang dilakukan menunjukan bahwa 5 dari 6 aktor yang berpengaruh dan berperan penting dalam penyebaran informasi mengenai vaksin Covid-19 pada media sosial twitter memiliki pengaruh positif.

REFERENCES

[1] H. Basri and Syafrizal, “Peran Media Sosial Twitter Dalam Interaksi Sosial Pelajar Sekolah Menengah Pertama Di Kota Pekanbaru,” JOM FISIP Vol. 4 No. 2 – Oktober 2017 Page 1, 4(1), 1–13., 2017, doi://media.neliti.com/media/publications/183768-ID-partisipasi-masyarakat-dalam-pelaksanaan.pdf.

[2] A. Srivastava, S.Vijendra, and D.G. Singh, “Sentiment analysis of twitter data: A hybrid approach,” International Journal of Healthcare Information Systems and Informatics, 14(2), 1–16, 2019, doi://doi.org/10.4018/IJHISI.2019040101.

[3] WHO, “COVAX Statement on New Variants of SARS-Cov-2 on 8 February 2021,” 2020. Diakses 19 Februari 2021, Tersedia: https://www.who.int/news/item/08-02-2021-covax-statement-on-new-variants-of-sars-cov-2

[4] F.B. Hasan, “Panduan Ringkas Covid-19 dan Vaksin,” 2021.

[5] S. A. Nugroho and I. N. Hidayat, “Efektivitas Dan Keamanan Vaksin Covid-19,” Jurnal Keperawatan, 9, 47, 2021, doi://ejournal.unuja.ac.id/index.php/jkp/article/download/2767/1002.

[6] E. Lazega, S. Wasserman, and K. Faust, “Social Network Analysis: Methods and Applications,” Revue Française de Sociologie, 36(4), 781, 1995.

[7] A. Iriani, “Using Social Network Analysis to Analyze Collaboration in Batik Smes,” Journal of Knowledge Management, Economics and Information Technology, 3(6), 1–18, 2013, doi: ://www.scientificpapers.org/download/287/.

[8] B. Liu, “Sentiment Analysis: Mining Opinions, Sentiments, and Emotions,” Cambridge University Press, 2015.

[9] J. A. K. Suykens, M. Signoretto, and A. Argryou, “Regularization, Optimization, Kernels and Support Vector Machine,”

CRC Press, 2014.

[10] B. S. D and D. Gore, “Sentiment Analysis On Twitter Data Using Support Vector Machine,” International Journal of Computer Science Trends and Technology (IJCST) –, 4(3), 831–837, 2016, doi://www.ijcstjournal.org/volume-4/issue- 3/IJCST-V4I3P61.pdf.

[11] J. Ipmawati, Kusrini, and E. T. Luthfi, “Komparasi Teknik Klasifikasi Teks Mining Pada Analisis Sentimen,” Indonesian Journal on Networking and Security, 6(1), 28–36, 2017, doi://dx.doi.org/10.55181/ijns.v6i1.1444.

[12] M. N. Habibi and Sunjana, “Analysis of Indonesia Politics Polarization before 2019 President Election Using Sentiment Analysis and Social Network Analysis,” International Journal of Modern Education and Computer Science, 11(11), 22–

30, 2019, doi://doi.org/10.5815/ijmecs.2019.11.04.

[13] L. Tomasoa, A. Iriani and I. Sembiring, “Ekstraksi Knowledge tentang Penyebaran #RATNAMILIKSIAPA pada Jejaring Sosial (Twitter) menggunakan Social Network Analysis (SNA),” Jurnal Teknologi Informasi Dan Ilmu Komputer, 6(6), 677, 2019, doi://doi.org/10.25126/jtiik.2019661710.

[14] B. Laurensz and E. Sediyono, “Analisis Sentimen Masyarakat terhadap Tindakan Vaksinasi dalam Upaya Mengatasi Pandemi Covid-19,” Jurnal Nasional Teknik Elektro dan Teknologi Informasi 10(2), 118–123, 2021, doi://doi.org/10.22146/jnteti.v10i2.1421.

[15] C. Casanueva, A. Gallego, and M. R. G. Sánchez, “Social network analysis in tourism,” Current Issues in Tourism, 19(12), 1190–1209, 2016, doi://doi.org/10.1080/13683500.2014.990422.

[16] R. Alhajj and J. Rokne, “Encyclopedia of Social Network Analysis and Mining, Springer Science+Business Media LLC, part of Springer Nature, 2018.

[17] S. Khairunnisa, Adiwijaya, and S. Al. Faraby, “Pengaruh Text Preprocessing terhadap Analisis Sentimen Komentar Masyarakat pada Media Sosial Twitter (Studi Kasus Pandemi COVID-19),”Jurnal Media Informatika Budidarma, 5(2), 406, 2021, doi://doi.org/10.30865/mib.v5i2.2835.