TA Analisis Sentimen Publik terhadap Kebijakan Pemberlakuan Pembatasan Kegiatan Masyarakat Skala Mikro Menggunakan Algoritma Support Vector Machine Studi Kasus Twitter
| Main Author: | Pradhana, Renas Madya |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2021
|
| Subjects: | |
| Online Access: |
https://repository.dinamika.ac.id/id/eprint/5931/1/17410100180-2021-UNIVERSITASDINAMIKA.pdf https://repository.dinamika.ac.id/id/eprint/5931/13/17410100180-2021-LAMPIRAN.pdf https://repository.dinamika.ac.id/id/eprint/5931/ |
Daftar Isi:
- Seluruh negara di dunia mengalami masa-masa sulit akibat pandemi Covid-19. Krisis muncul di sektor kesehatan dan ekonomi, termasuk Indonesia. Presiden juga meminta agar krisis ini segera ditangani dan harus diselesaikan bersamaan. Berbagai upaya telah dilakukan pemerintah seperti seperti Pemberlakuan Pembatasan Kegiatan Masyarakat (PPKM) skala mikro atau PPKM mikro untuk mencegah penyebaran kasus corona (COVID-19). Kebijakan PPKM mikro menimbulkan pro-kontra dari masyarakat karena dampaknya terhadap perekonomian dan tidak efektif menurunkan kasus harian Covid-19. Tanggapan dan opini publik disampaikan melalui berbagai media, lebih dari 63,6% dari total pengguna media sosial di Indonesia memiliki akun Twitter. Berdasarkan latar belakang tersebut, penelitian ini berharap dapat menggunakan data dari twitter untuk memahami respon dan persepsi masyarakat Indonesia terhadap kebijakan PPKM mikro dengan membagi respon masyarakat menjadi sentimen positif dan negatif. Algoritma Term Frequency Inverse Document Frequency (TF-IDF) untuk pembobotan. Metode Support Vector Machine untuk mengklasifikasikan kebijakan PPKM mikro. Hasil prediksi tersebut dapat menjadi tolak ukur atau bahan evaluasi bagi pemerintah agar dapat memperpanjang atau tidak kebijakan mengenai pemberlakuan pembatasan kegiatan masyarakat skala mikro sehingga dapat dilakukan penanganan ke evaluasi yang lebih baik. Untuk mengatasi Hasil dari penelitian yang telah dilakukan menunjukkan hasil evaluasi dan validasi menggunakan k-fold cross validation pada support vector machine menunjukkan rata-rata cross validation score sebanyak 96,42%. Hasil pengujian menunjukkan accuracy sebanyak 97,13%, hasil precision sebanyak 97,58%, dan hasil recall sebanyak 99,15%. Support Vector Machine (SVM) dapat digunakan untuk melakukan klasifikasi analisis sentimen dengan baik dengan menunjukkan hasil accuracy atau hasil sentimen yang benar diprediksi positif dan negatif dari seluruh data tweet sangat tinggi. Hasil visualisasi dari diagram pie menunjukkan persentase keseluruhan sentimen pada tweet PPKM Mikro sebanyak 12,8% atau 491 cuitan negatif dan 87,2% atau 3574 cuitan positif. Berdasarkan hasil prediksi tersebut dapat menjadi tolak ukur atau bahan evaluasi bagi pemerintah agar dapat memperpanjang kebijakan mengenai pemberlakuan pembatasan kegiatan masyarakat skala mikro.