Analisis Sentimen Pendapat Masyarakat Mengenai Vaksin Covid-19 Pada Media Sosial Twitter dengan Robustly Optimized BERT Pretraining Approach
Pada tanggal 11 Maret 2020, World Health Organization (WHO) resmi menetapkan COVID-19 sebagai pandemi global. Penyebaran virus ini sudah ada pada tahun 2019 lalu di kota Wuhan, China. Pemerintah resmi menetapkan Peraturan Presiden (PERPRES) tentang Pengadaan Vaksin dan Pelaksanaan Vaksinasi dalam R...
| Main Author: | |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
Politeknik Caltex Riau
2021-12-01
|
| Series: | Jurnal Komputer Terapan |
| Subjects: | |
| Online Access: | https://jurnal.pcr.ac.id/index.php/jkt/article/view/4782 |
| _version_ | 1797462824361918464 |
|---|---|
| author | Muhammad mahrus zain |
| author_facet | Muhammad mahrus zain |
| author_sort | Muhammad mahrus zain |
| collection | DOAJ |
| description |
Pada tanggal 11 Maret 2020, World Health Organization (WHO) resmi menetapkan COVID-19 sebagai pandemi global. Penyebaran virus ini sudah ada pada tahun 2019 lalu di kota Wuhan, China. Pemerintah resmi menetapkan Peraturan Presiden (PERPRES) tentang Pengadaan Vaksin dan Pelaksanaan Vaksinasi dalam Rangka Penanggulangan Pandemi Coronavirus Disease. Rencana kegiatan vaksinasi tersebut juga haruslah mempertimbangkan berbagai masukan, di antaranya adalah dengan melihat bagaimana respon dan opini masyarakat terhadap wacana vaksinasi tersebut. Dengan memanfaatkan data dari media sosial twitter, penelitian ini bertujuan untuk menganalisis respon masyarakat terhadap wacana vaksinasi dengan cara mengklasifikasikan respon tersebut ke dalam respon positif dan negatif. Selanjutnya juga akan dilakukan pengelompokkan opini masyarakat menggunakan model pre-trained Indonesian RoBERTa Base Sentiment Classifier untuk mengetahui sentimen dari topik vaksinasi Covid-19 yang dibahas oleh masyarakat. Hasil analisis menunjukkan bahwa masyarakat lebih banyak memberikan respon negatif terhadap wacana tersebut (24,7%) dibandingkan dengan respon positifnya (5,7%) dengan sisa respon netral (69,6%). Kata-kata bersentimen yang paling sering muncul juga mengindikasikan lebih banyak kata yang bersentimen negatif dibandingkan dengan kata yang bersentimen positif. Rata-rata hasil akurasi prediksi penerapan model pre-trainer pada label positif adalah 84%, Netral 97% dan Negatif 93%.
|
| first_indexed | 2024-03-09T17:42:53Z |
| format | Article |
| id | doaj.art-bb9d8c6cc25a45fe979f31cc483e6753 |
| institution | Directory Open Access Journal |
| issn | 2443-4159 2460-5255 |
| language | Indonesian |
| last_indexed | 2024-03-09T17:42:53Z |
| publishDate | 2021-12-01 |
| publisher | Politeknik Caltex Riau |
| record_format | Article |
| series | Jurnal Komputer Terapan |
| spelling | doaj.art-bb9d8c6cc25a45fe979f31cc483e67532023-11-24T11:28:59ZindPoliteknik Caltex RiauJurnal Komputer Terapan2443-41592460-52552021-12-017210.35143/jkt.v7i2.47824432Analisis Sentimen Pendapat Masyarakat Mengenai Vaksin Covid-19 Pada Media Sosial Twitter dengan Robustly Optimized BERT Pretraining ApproachMuhammad mahrus zain0Politeknik Caltex Riau Pada tanggal 11 Maret 2020, World Health Organization (WHO) resmi menetapkan COVID-19 sebagai pandemi global. Penyebaran virus ini sudah ada pada tahun 2019 lalu di kota Wuhan, China. Pemerintah resmi menetapkan Peraturan Presiden (PERPRES) tentang Pengadaan Vaksin dan Pelaksanaan Vaksinasi dalam Rangka Penanggulangan Pandemi Coronavirus Disease. Rencana kegiatan vaksinasi tersebut juga haruslah mempertimbangkan berbagai masukan, di antaranya adalah dengan melihat bagaimana respon dan opini masyarakat terhadap wacana vaksinasi tersebut. Dengan memanfaatkan data dari media sosial twitter, penelitian ini bertujuan untuk menganalisis respon masyarakat terhadap wacana vaksinasi dengan cara mengklasifikasikan respon tersebut ke dalam respon positif dan negatif. Selanjutnya juga akan dilakukan pengelompokkan opini masyarakat menggunakan model pre-trained Indonesian RoBERTa Base Sentiment Classifier untuk mengetahui sentimen dari topik vaksinasi Covid-19 yang dibahas oleh masyarakat. Hasil analisis menunjukkan bahwa masyarakat lebih banyak memberikan respon negatif terhadap wacana tersebut (24,7%) dibandingkan dengan respon positifnya (5,7%) dengan sisa respon netral (69,6%). Kata-kata bersentimen yang paling sering muncul juga mengindikasikan lebih banyak kata yang bersentimen negatif dibandingkan dengan kata yang bersentimen positif. Rata-rata hasil akurasi prediksi penerapan model pre-trainer pada label positif adalah 84%, Netral 97% dan Negatif 93%. https://jurnal.pcr.ac.id/index.php/jkt/article/view/4782covid-19vaksinNLPsentimenttwitter |
| spellingShingle | Muhammad mahrus zain Analisis Sentimen Pendapat Masyarakat Mengenai Vaksin Covid-19 Pada Media Sosial Twitter dengan Robustly Optimized BERT Pretraining Approach Jurnal Komputer Terapan covid-19 vaksin NLP sentiment |
| title | Analisis Sentimen Pendapat Masyarakat Mengenai Vaksin Covid-19 Pada Media Sosial Twitter dengan Robustly Optimized BERT Pretraining Approach |
| title_full | Analisis Sentimen Pendapat Masyarakat Mengenai Vaksin Covid-19 Pada Media Sosial Twitter dengan Robustly Optimized BERT Pretraining Approach |
| title_fullStr | Analisis Sentimen Pendapat Masyarakat Mengenai Vaksin Covid-19 Pada Media Sosial Twitter dengan Robustly Optimized BERT Pretraining Approach |
| title_full_unstemmed | Analisis Sentimen Pendapat Masyarakat Mengenai Vaksin Covid-19 Pada Media Sosial Twitter dengan Robustly Optimized BERT Pretraining Approach |
| title_short | Analisis Sentimen Pendapat Masyarakat Mengenai Vaksin Covid-19 Pada Media Sosial Twitter dengan Robustly Optimized BERT Pretraining Approach |
| title_sort | analisis sentimen pendapat masyarakat mengenai vaksin covid 19 pada media sosial twitter dengan robustly optimized bert pretraining approach |
| topic | covid-19 vaksin NLP sentiment |
| url | https://jurnal.pcr.ac.id/index.php/jkt/article/view/4782 |
| work_keys_str_mv | AT muhammadmahruszain analisissentimenpendapatmasyarakatmengenaivaksincovid19padamediasosialtwitterdenganrobustlyoptimizedbertpretrainingapproach |