Analisis Sentimen Penggunaan Twitter Terhadap Penggunaan Cairan Desinfektan Menggunakan Metode Term Frequency–Inverse Document Frequency Dan Support Vector Machine
DOI:
https://doi.org/10.33481/infomans.v14i2.128Keywords:
Disinfektan, SVM, Twitter, COVID-19Abstract
Polemik terhadap pro dan kontra penggunaan cairan desinfektan untuk memutus persebaran rantai penularan COVID 19 saat ini sedang marak dibicarakan di masyarakat, tak terkecuali juga di platform media sosial, khususnya twitter. Opini tersebut dapat dimanfaatkan sebagai bahan analisis sentimen untuk mengetahui penilaian serta pro dan kontra terhadap cairan desinfektan untuk memutus persebaran mata rantai virus corona sebagai penyebab pandemic COVID-19, apakah positif atau negatif, serta mengetahui faktor opini apa yang sering muncul. Hasil dari analisis sentimen tersebut dapat membantu dalam pemahaman masyarakat luas akan pentingnya penggunaan cairan desinfektan dengan benar untuk menghadapi wabah covid19 .
Kata Kunci - Desinfektan, SVM,Twitter, COVID-19
Downloads
Download data is not yet available.
References
[1] T. Joko, O. Setiani, and A. Ariani, “Efektivitas Dosis Desinfektan Fenol Terhadap Angka Kuman Pada Lantai Ruang Rawat Inap Rsud Tugurejo Kota Semarang,” J. Kesehat. Masy. Univ. Diponegoro, vol. 3, no. 1, p. 18515, 2015.
[2] A. Adlia and Dkk, “Tanggapan terhadap maraknya penggunaan disinfektan pada bilik disinfeksi untuk pencegahan COVID-19,” pp. 4–7, 2020.
[3] K. K. RI, 610.28 Ind. 12AD.
[4] M. N. Fatanti, “Twitter dan Masa Depan Politik Indonesia: Analisis Perkembangan Komunikasi Politik Lokal Melalui Internet Twitter and the Future of Indonesian Politics: Analysis of the Development of Local Political Communication over the Internet,” vol. 16, no. 1, pp. 17–28, 2014.
[5] A. T. Haryanto, “130 Juta Orang Indonesia Tercatat Aktif di Medsos,” inet.detik.com, 2018. [Online]. Available: https://inet.detik.com/cyberlife/d-3912429/130-juta-orang-indonesia-tercatat-aktif-di-medsos.
[6] J. A. Septian, T. M. Fahrudin, and A. Nugroho, “Analisis Sentimen Pengguna Twitter Terhadap Polemik Persepakbolaan Indonesia Menggunakan Pembobotan TF - IDF dan K - Nearest Neighbor,” J. Intell. Syst. Comput., no. September, pp. 43–49, 2019.
[7] W. E. Nurjanah, R. S. Perdana, and M. A. Fauzi, “Analisis Sentimen Terhadap Tayangan Televisi Berdasarkan Opini Masyarakat pada Media Sosial Twitter menggunakan Metode K-Nearest Neighbor dan Pembobotan Jumlah Retweet,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 1, no. 12, pp. 1750–1757, 2017, doi: 10.1074/jbc.M209498200.
[8] M. I. Komputer and K. J. Pusat, “Sentimen Analisis Operasi Tangkap Tangan KPK Menurut Masyarakat Menggunakan Algoritma Support Vector Machine , Naive Bayes Berbasis Particle Swarm Optimizition,” vol. 12, no. 3, pp. 230–243, 2019, doi: 10.30998/faktorexacta.v12i3.4992.
[9] W. Gata, “Akurasi Text Mining Menggunakan Algoritma K-Nearest Neighbour pada Data Content Berita SMS,” vol. 6, pp. 1–13, 2017.
[10] A. Mustafa, A. Akbar, and A. Sultan, “Knowledge Discovery using Text Mining: A Programmable Implementation on Information Extraction and Categorization,” Int. J. Multimed. Ubiquitous Eng., vol. 4, no. 2, pp. 183–188, 2009.
[11] I. Indriati and A. Ridok, “Sentiment Analysis for Review Mobile Applications Using Neighbor Method Weighted K-Nearest Neighbor (Nwknn),” J. Enviromental Eng. Sustain. Technol., vol. 3, no. 1, pp. 23–32, 2016, doi: 10.21776/ub.jeest.2016.003.01.4.
[12] I. M. B. S. Darma, R. S. Perdana, and Indriati, “Penerapan Sentimen Analisis Acara Televisi Pada Twitter Menggunakan Support Vector Machine dan Algoritma Genetika sebagai Metode Seleksi Fitur,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 3, pp. 998–1007, 2018.
[13] D. J. Haryanto, L. Muflikhah, and M. A. Fauzi, “Analisis Sentimen Review Barang Berbahasa Indonesia Dengan Metode Support Vector Machine Dan Query Expansion,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 9, pp. 2909–2916, 2018.
[14] R. Melita, V. Amrizal, H. B. Suseno, and T. Dirjam, “( TF-IDF ) dan Cosine Similarity pada Sistem Temu Kembali Informasi untuk Mengetahui Syarah Hadits Berbasis Web,” vol. 11, no. 2, 2018.
[2] A. Adlia and Dkk, “Tanggapan terhadap maraknya penggunaan disinfektan pada bilik disinfeksi untuk pencegahan COVID-19,” pp. 4–7, 2020.
[3] K. K. RI, 610.28 Ind. 12AD.
[4] M. N. Fatanti, “Twitter dan Masa Depan Politik Indonesia: Analisis Perkembangan Komunikasi Politik Lokal Melalui Internet Twitter and the Future of Indonesian Politics: Analysis of the Development of Local Political Communication over the Internet,” vol. 16, no. 1, pp. 17–28, 2014.
[5] A. T. Haryanto, “130 Juta Orang Indonesia Tercatat Aktif di Medsos,” inet.detik.com, 2018. [Online]. Available: https://inet.detik.com/cyberlife/d-3912429/130-juta-orang-indonesia-tercatat-aktif-di-medsos.
[6] J. A. Septian, T. M. Fahrudin, and A. Nugroho, “Analisis Sentimen Pengguna Twitter Terhadap Polemik Persepakbolaan Indonesia Menggunakan Pembobotan TF - IDF dan K - Nearest Neighbor,” J. Intell. Syst. Comput., no. September, pp. 43–49, 2019.
[7] W. E. Nurjanah, R. S. Perdana, and M. A. Fauzi, “Analisis Sentimen Terhadap Tayangan Televisi Berdasarkan Opini Masyarakat pada Media Sosial Twitter menggunakan Metode K-Nearest Neighbor dan Pembobotan Jumlah Retweet,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 1, no. 12, pp. 1750–1757, 2017, doi: 10.1074/jbc.M209498200.
[8] M. I. Komputer and K. J. Pusat, “Sentimen Analisis Operasi Tangkap Tangan KPK Menurut Masyarakat Menggunakan Algoritma Support Vector Machine , Naive Bayes Berbasis Particle Swarm Optimizition,” vol. 12, no. 3, pp. 230–243, 2019, doi: 10.30998/faktorexacta.v12i3.4992.
[9] W. Gata, “Akurasi Text Mining Menggunakan Algoritma K-Nearest Neighbour pada Data Content Berita SMS,” vol. 6, pp. 1–13, 2017.
[10] A. Mustafa, A. Akbar, and A. Sultan, “Knowledge Discovery using Text Mining: A Programmable Implementation on Information Extraction and Categorization,” Int. J. Multimed. Ubiquitous Eng., vol. 4, no. 2, pp. 183–188, 2009.
[11] I. Indriati and A. Ridok, “Sentiment Analysis for Review Mobile Applications Using Neighbor Method Weighted K-Nearest Neighbor (Nwknn),” J. Enviromental Eng. Sustain. Technol., vol. 3, no. 1, pp. 23–32, 2016, doi: 10.21776/ub.jeest.2016.003.01.4.
[12] I. M. B. S. Darma, R. S. Perdana, and Indriati, “Penerapan Sentimen Analisis Acara Televisi Pada Twitter Menggunakan Support Vector Machine dan Algoritma Genetika sebagai Metode Seleksi Fitur,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 3, pp. 998–1007, 2018.
[13] D. J. Haryanto, L. Muflikhah, and M. A. Fauzi, “Analisis Sentimen Review Barang Berbahasa Indonesia Dengan Metode Support Vector Machine Dan Query Expansion,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 9, pp. 2909–2916, 2018.
[14] R. Melita, V. Amrizal, H. B. Suseno, and T. Dirjam, “( TF-IDF ) dan Cosine Similarity pada Sistem Temu Kembali Informasi untuk Mengetahui Syarah Hadits Berbasis Web,” vol. 11, no. 2, 2018.
Downloads
Published
2020-11-15
How to Cite
Aditya, H., Ardiansyah, Sidik, & Gata, W. (2020). Analisis Sentimen Penggunaan Twitter Terhadap Penggunaan Cairan Desinfektan Menggunakan Metode Term Frequency–Inverse Document Frequency Dan Support Vector Machine. Infoman’s : Jurnal Ilmu-Ilmu Manajemen Dan Informatika, 14(2), 167 - 174. https://doi.org/10.33481/infomans.v14i2.128
Issue
Section
Articles
License
Copyright (c) 2020 Infoman's : Jurnal Ilmu-ilmu Manajemen dan Informatika
This work is licensed under a Creative Commons Attribution 4.0 International License.
