Analisis Sentimen Perkembangan Kasus Covid-19 Pada Komentar Facebook

Abstract

Masyarakat banyak yang menggunakan sosial media sebagai sumber berita. Diantaranya, Facebook masih menjadi media sosial yang paling banyak digunakan masyarakat. Hal ini berlaku juga dengan berita terkait COVID-19. Sebagian besar masyarakat Indonesia mengikuti perkembangan berita tentang COVID-19 melalui Facebook. Dengan mengikuti di Facebook, masyarakat dapat menanggapi dan berkomentar terhadap isu-isu terrkait COVID-19. Saat ini, sudah banyak tanggapan yang dapat dilihat terkait COVID-19.
 Penelitian ini ditujukan untuk menganalisis sentimen komentar warganet terkait perkembangan kasus COVID-19. COVID-19 masih akan berada di tengah masyarakat dalam waktu lama. Karena itu, kewaspadaan masyarakat juga perlu dijaga. Hal ini dilakukan agar dapat mempercepat berakhirnya pandemi ini. Tingkat kewaspadaan itu salah satunya tercermin dari komentar masyarakat terhadap perkembangan COVID-19. Komentar yang ada dapat dilakukan analisis sentimen yang mencerminkan kewaspadaan masyarakat terhadap kasus COVID-19.
 Empat model telah dibuat untuk melakukan hal ini. Hasilnya, keempat model menghasilkan analisis sentimen yang berbeda-beda. Model Naïve Bayes dengan tingkat akurasi tertinggi lebih banyak mendeteksi sentimen negatif. Sebaliknya, model Random Forest yang lebih netral lebih banyak mendeteksi sentimen positif. Hasil klasifikasi ini dapat digunakan pemerintah dalam mengambil kebijakan terkait COVID-19

Pendekatan Ensemble untuk Analisis Sentimen Covid19 Menggunakan Pengklasifikasi Soft Voting

“…Penellitian yang dilakukan oleh Aziz dkk., membuktikan bahwa algoritma Logisic Regression (LR) dapat digunakan untuk analisis sentimen dan mendapatkan akurasi model terbaik untuk mendeteksi berita palsu dibandingkan model lainnya dengan akurasi model yang didapat sebesar 87.2% (Aziz and Dimililer, 2020). Penerapan algorima LR untuk analisis sentimen Covid19 pada sosial media Twitter sudah pernah dilakukan oleh Mashudi dkk (Mashudi and Arief, 2021) dengan hasil algoritma LR juga menghasilkan akurasi model sebesar 71%. Namun, akurasi ini lebih kecil dibandingkan dengan algoritma pembanding lainnya, yaitu Naive Bayes (NB) yang mendapatkan akurasi sebesar 74%.…”