ANALISIS SENTIMEN PENGGUNA TWITTER TERHADAP VAKSIN BOOSTER MENGGUNAKAN METODE NAÏVE BAYES DAN K-NEARST NEIGHBOR

• ALIFIA SEPTI RIZQIAH

---

ABSTRAK

ABSTRAK

Alifia Septi Rizqiah (11212646), Analisis Sentimen Pengguna Twitter Terhadap Vaksin Booster Menggunakan Metode Naive Bayes Dan K-Nearst Neighbor

Wabah penyakit pandemi Covid-19 kependekan dari corona virus disease-19 yang melanda di seluruh dunia salah satunya Indonesia dengan jumlah kasus yang tidak sedikit. Dampak dengan banyak masyarakat yang terinfeksi Covid-19 membuat pemerintah mengambil langkah mengurangi penyebaran Covid-19 di Indonesia salah satunya pemberian vaksinasi. Setelah pemberian vaksinasi dosis satu dan dosis dua yang telah banyak dilakukan masyarakat, Kementrian Kesehatan menerbitkan surat edaran tentang Vaksinasi COVID-19 Dosis Lanjutan (Booster). Pelaksanaan vaksin booster menimbulkan berbagai macam pendapat pro dan kontra di masyarakat yang banyak ditemukan di media sosial salah satunya twitter. Berdasarkan permasalahan tersebut maka peneliti menggunakan metode Naïve Bayes dan K-Nearst Neighbor untuk analisis sentimen pengguna twitter terhadap vaksin booster. Pengelompokan data sebanyak 1000 data yang didapat dari twitter dari tanggal 4 Juni- 11 Juni 2022 dengan metode Naïve Bayes dan K-Nearst Neighbor. Hasil akurasi yang didapatkan sebesar 90.19% dengan metode Naïve Bayes dan hasil akurasi sebesar 82.89% dengan metode K-Nearst Neighbor (K-NN).

Kata Kunci : Analisis Sentimen, Naive Bayes, K-Nearst Neighbor

KATA KUNCI

Analisis Sentimen

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

[1] “Peta Sebaran | Covid19.go.id.” https://covid19.go.id/peta-sebaran (accessed Apr. 18, 2022).

[2]“Vaksin Dashboard.” https://vaksin.kemkes.go.id/#/vaccines (accessed Apr. 19, 2022).

[3] D. Hernikawati, “Kecenderungan Tanggapan Masyarakat Terhadap Vaksin Sinovac Berdasarkan Lexicon Based Sentiment Analysis The Trend of Public Response to Sinovac Vaccine Based on Lexicon Based Sentiment Analysis,” vol. 23, no. 1, pp. 21–31, 2021.

[4] A. Suwarno and A. Andriani, “Analisis Sentimen Pada Media Sosial Twitter Mengenai Tanggapan Vaksinasi COVID-19 Menggunakan Metode Naive Bayes,” J. Tek. Ind., 2021, Accessed: Apr. 11, 2022. [Online]. Available: https://jurnal.pelitabangsa.ac.id/index.php/JUTIN/article/view/906.

[5] F. Fathonah and A. Herliana, “Penerapan Text Mining Analisis Sentimen Mengenai Vaksin Covid - 19 Menggunakan Metode Naïve Bayes,” vol. 7, no. November, pp. 155–164, 2021, doi: 10.34128/jsi.v7i2.331.

[6] M. I. Aditama, R. I. Pratama, K. Hafizzana, U. Wiwaha, and N. A. Rakhmawati, “Analisis Klasifikasi Sentimen Pengguna Media Sosial Twitter Terhadap Pengadaan Vaksin COVID-19,” vol. 04, pp. 90–92, 2020.

[7] A. Baita, Y. Pristyanto, N. Cahyono, P. Covid-, K. N. N. Akurasi, and K. Kunci, “ANALISIS SENTIMEN MENGENAI VAKSIN SINOVAC MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE ( SVM ) DAN K-NEAREST NEIGHBOR ( KNN ) Abstraksi Keywords :,” vol. 4, no. 2, pp. 42–46, 2021.

[8] R. Fahlapi et al., “ANALISA SENTIMEN VAKSINASI COVID-19 DENGAN METODE SUPPORT VECTOR MACHINE DAN NAÏVE BAYES BERBASIS,” vol. 6, no. 1, pp. 57–64, 2022.

[9] K. Bhuana and L. Muflikhah, “Analisis Sentimen Masyarakat Indonesia tentang Vaksin Covid-19 di Twitter dengan menggunakan Metode K- Nearest Neighbors dan Seleksi Fitur Chi Square,” vol. 6, no. 3, pp. 1395–1401, 2022. 37

[10] S. Lestari and S. Saepudin, “Analisis Sentimen Vaksin Sinovac Pada Twitter Menggunakan Algoritma Naive Bayes,” SISMATIK (Seminar Nas. Sist. Inf. dan Manaj. Inform., pp. 163–170, 2021.

[11] S. Ernawati and R. Wati, “Penerapan Algoritma K-Nearest Neighbors Pada Analisis Sentimen Review Agen Travel,” J. Khatulistiwa Inform., vol. 6, no. 1, pp. 64–69, 2018.