Dunia sedang dilanda pandemi Corona Virus, virus yang berasal dari kota Wuhan di negara Cina sebagai awal pusat dari pandemi virus tersebut. Virus tersebut menyerang pernafasan akut dan menyebar dengan cepat hampir keseluruh dunia karena proses penularannya yang relatif mudah. Pemberitaan terkait virus tersebut terjadi dengan saat masif baik dimedia nasional maupun internasional. Hampir seluruh media memberitakan tentang penyebaran virus tersebut. Salah satunya melalui media sosial, twitter adalah salah satu media sosial yang cukup banyak penggunanya dan cukup digemari. Banyak pengguna twitter membagikan informasi, mengeluarkan pendapat, maupun berbagi beberapa hal. Penelitian ini fokus pada sentimen analisis stay home pada pengguna twitter, untuk dapat melihat efek dari kebijakan tersebut terhadap kehidupan mereka. Karena hampir diseluruh negara yang terkena pandemi ini mengeluarkan kebijakan seperti itu. Data yang diperoleh akan diolah menggunakan tiga metode klasifikasi yaitu Naive Bayes (NB), Support Vector Machine (SVM), dan k-Nearest Neighbor (k-NN). Dengan ketiga metode klasifikasi tersebut, akan dicari metode mana yang akan menghasilkan akurasi yang paling baik terkait dengan stay home dari tweets para penggunanya. Setelah dilakukan percobaan, algoritma Support Vector Machine + Smote mendapatkan hasil akurasi yang paling baik jika dibandingkan dengan dua algoritma lainnya. Hasil akurasi yang didapat sebesar 80,05%.
Sentimen Analisis Stay Home menggunakan metode klasifikasi Naive Bayes, Support Vector Machine, dan k-Nearest Neighbor
Faradhillah, N. Y. A., Kusumawardani, R. P.,
Hafidz, I., Informasi, J. S., & Informasi, F. T.
(2016). Eksperimen Sistem Klasifikasi Analisa
Sentimen Twitter pada Akun Resmi
Pemerintahan Kota Surabaya Berbasis
Pembelajaran Mesin.
Hashimi, H., Hafez, A., & Mathkour, H. (2015).
Selection criteria for text mining approaches.
Computers in Human Behavior, 51, 729–733.
https://doi.org/10.1016/j.chb.2014.10.062
Kim, S.-M., & Hovy, E. (2004). Determining the
sentiment of opinions. 1367-es.
https://doi.org/10.3115/1220355.1220555
Liu, B. (2012). Opinion spam detection. In
Sentiment Analysis and Opinion Mining (Issue
April).
https://doi.org/10.1142/9789813100459_0007
Lu, H., Stratton, C. W., & Tang, Y. W. (2020).
Outbreak of pneumonia of unknown etiology
in Wuhan, China: The mystery and the
miracle. Journal of Medical Virology, 92(4),
401–402. https://doi.org/10.1002/jmv.25678
Rothan, H. A., & Byrareddy, S. N. (2020). The
epidemiology and pathogenesis of coronavirus
disease (COVID-19) outbreak. Journal of
Autoimmunity, February, 102433.
https://doi.org/10.1016/j.jaut.2020.102433
Saad, S. E., & Yang, J. (2019). Twitter Sentiment
Analysis Based on Ordinal Regression. IEEE
Access, 7, 163677–163685.
https://doi.org/10.1109/ACCESS.2019.295212
7
Sudiantoro, A. V., Zuliarso, E., Studi, P.,
Informatika, T., Informasi, F. T., Stikubank,
U., & Mining, T. (2018). Analisis Sentimen
Twitter Menggunakan Text Mining dengan
Algoritma Naive Bayes Classifier. 398–401.
Trupthi, M., Pabboju, S., & Narasimha, G. (2017).
Sentiment analysis on twitter using streaming
API. Proceedings - 7th IEEE International
Advanced Computing Conference, IACC 2017,
915–919.
https://doi.org/10.1109/IACC.2017.0186
Whitelaw, C., Garg, N., & Argamon, S. (2005).
Using appraisal groups for sentiment analysis.
International Conference on Information and
Knowledge Management, Proceedings, 625–
631. https://doi.org/10.1145/1099554.1099714