Analisis Sentimen Pengguna Media Sosial Terhadap Aplikasi M-Health Peduli Lindungi Dengan Metode Lexicon Based Dan Naïve Bayes

Abstract

Pedulilindungi atau satusehat merupakan aplikasi yang dirilis secara resmi guna menangani penyebaran virus Covid-19 dan vaksinasi. Namun, dikarenakan suatu insiden besarnya kebocoran data pribadi, terutama identitas pribadi, kepercayaan masyarakat terhadap aplikasi tersebut sangat rendah. Untuk mengetahui pendapat masyarakat saat ini maka dilakukanlah penelitian dengan mengkombinasikan metode <em>Lexicon Based</em> dan <em>Na</em><em>ïve Bayes</em>. Hasil klasifikasi sentiment memperoleh nilai yaitu 62% negative, 32% netral, 6% positif pada Tiktok. 56% negative, 37% netral, 7% positif pada Youtube. 100% positif pada Twitter, dengan jumlah keseluruhan 118 skor negative, 69 skor netral, 113 skor positif, maka dapat disumpulkan masyarakat memiliki opini negative pada aplikasi peduli lindungi. Hasil evaluasi kinerja model memperoleh akurasi 91%, presisi 94%, recall 82%, f1_scores 86% pada Tiktok, pada Youtube akurasi sebesar 90%, presisi 93%, recall 81%, f1_scores 84%. Pada Twitter akurasi 70%, presisi 23%, recall 33%, f1-scores 28%. Pengkombinasian metode <em>Lexicon Based</em> dan <em>Na</em><em>ïve Bayes</em> ini memiliki akurasi yang sangat tinggi pada media sosial Tiktok dan Youtube, sehingga untuk penelitian selanjutnya pada media sosial Twitter perbanyak data yang diambil. Juga penelitian ini diharapkan dapat membantu membangun kembali aplikasi supaya lebih optimal.

Analisis Sentimen Ulasan Aplikasi Lita Di Play Store Menggunakan Algoritma Naive Bayes

“…Ini menunjukkan bahwa gabungan algoritma Lexicon Based dan Naive Bayes kurang efektif dalam mengklasifikasikan data dari Twitter yang diambil menggunakan tweet-harvest. Hasil klasifikasi sentimen menunjukkan bahwa TikTok dan YouTube cenderung memiliki opini netral dari masyarakat, sementara Twitter didominasi oleh opini positif [10].…”

Analisis Sentimen Terhadap Boikot Brand Pro-Israel Pada Twitter Menggunakan Metode Naïve Bayes

“…Metode Lexicon adalah metode yang melibatkan frasa, ungkapan, atau isi teks yang umumnya ditemukan dalam percakapan, dialog, pesan, ulasan, dan sejenisnya. Pendekatan Lexicon menggunakan daftar kata sentiment yang terdiri dari kata-kata positif, netral, dan negatif yang dikaitkan dengan kata-kata dalam kalimat untuk menentukan tingkat polaritasnya [11] Dalam kamus tersebut setiap kata telah diberikan skor polaritas yang berkisar dari -1 untuk kategori negatif hingga +1 untuk kategori positif [12]).…”

Sentiment Analysis of e-Government Service Using the Naive Bayes Algorithm

“…Research to analyze public opinion related to e-government use, predict public opinion related to e-government use, and analyze modeling topics related to e-government use has been carried out by several researchers [4, 3, 5-8, 2, 9] When a software product is used in a certain context, the interaction between humans and the program is related to the software quality (QinU). Additionally, sentiment analysis is used as a method to assess the caliber of application goods [9][10][11][12][13][14][15][16][17][18] one of them is e-government application product [7]. The main objective of the proposed sentiment analysis is to find out citizens' comments about being written in e-government environments and to improve the quality of e-services [3].…”

“…Prior research has indicated the efficacy of Naive Bayes algorithms in sentiment analysis for government applications, with diverse outcomes in terms of accuracy and methodology. Several research have examined the utilization of the Naive Bayes algorithm in the Mobile Alpukat and Sentuhh Tanahku applications [11], along with the deployment of the Support-vector-machine approach in the Jamsostek application [15]. Sentiment analysis research that uses different methods is Kuwait e-government with Logistic regression and the result Logistic regression [13], M-Health PeduliLindungi Application [14] with Lexicon-based and Naive Bayes Method and Mobile JKN [10] with Maximum Entropy and Mutual Information Selection.…”