Analysis of Sentiments and Emotions about Sinovac Vaccine Using Naive Bayes

Abstract

Tujuan:Banyak negara di dunia telah berusaha mengendalikan dampak pandemi COVID-19 melalui penggunaan vaksin. vaksin sinovac merupakan salah satu vaksin populer yang telah digunakan di beberapa negara termasuk Indonesia. Sejak hadirnya vaksin sinovac, persepsi masyarakat baik di lapangan maupun di media sosial semakin muncul antara setuju dan tidak setuju dengan vaksin tersebut. Persepsi masyarakat dunia di media sosial dapat dianalisis untuk mengetahui kategori sentimen dan tingkat emosional masyarakat terhadap penerimaan vaksin Sinovac.Perancangan/metode/pendekatan:Analisis dapat dilakukan melalui data mining yang menggunakan algoritma Naive Bayes untuk menghitung probabilitas dan statistik sehingga setiap opini dapat diklasifikasikan dalam kategori sentimen positif, negatif, atau netral. Dalam penelitian ini, sumber analisis data adalah persepsi publik yang mengandung kata kunci “sinovac” dari twitter. Pengujian menggunakan sentimen, sentimen, dan library syuzhet menunjukkan bahwa sentimen positif lebih tinggi daripada negatif dan netral. Sentimen negatif paling dipengaruhi oleh tingkat emosional kesedihan dan kemarahan. Sedangkan sentimen positif sangat dipengaruhi oleh kategori senang dan emosi campur aduk. Kategori emosi campuran lebih sesuai dengan sentimen positif.Hasil:Klasifikasi emosi terhadap data tweet dalam penelitian ini menunjukkan bahwa kategori emosi kegembiraan, dan campuran memiliki persentase tertinggi yang mengandung polaritas sentimen positif. Berdasarkan penelitian ini, kata kunci sinovac cenderung memunculkan sentimen positif. Polaritas mempengaruhi emosi, namun tidak sebaliknya. Karena terlihat bahwa nilai akurasi pada klasifikasi polaritas (dengan kedua library) telah meningkat ketika fitur emosi tidak diikutkan. Sedangkan nilai akurasi pada klasifikasi emosi justru meningkat ketika fitur polaritas diikutkan.Keaslian/ state of the art:Metode Naive Bayes (library setiment) dan metode Valence Shifter (library sentimentr) yang digunakan dalam analisis sentimen pada penelitian ini menunjukkan bahwa sentimen positif lebih tinggi daripada netral dan negatif. Hasil persentase sentimen positif oleh metode Valence Shifter lebih rendah daripada metode Naive Bayes. Pada metode Valence Shifter cenderung menghasilkan agregat yang lebih kecil antara hasil persentase sentimen positif dibanding netral dan negatif.

Sentiment Analysis of Cryptocurrency Exchange Application on Twitter Using Naïve Bayes Classifier Method

“…Pengumpulan data yang diambil secara langsung dengan hashtag pencarian dengan kata kunci TokoCrypto dan Indodax. Agar dapat melakukan scraping tweets menggunakan Application Program Interface (API) khusus yang disediakan oleh Twitter [7]. Setelah mendapatkan akses API key maka dapat dicari datanya dengan menggunakan software untuk text mining.…”