Analisis Sentimen Masyarakat Pada Twiter Terhadap Isu Covid-19 Menggunakan Metode Lexicon Based

  • Doni Winarso
  • Yanda Noor Yudha
  • syahril
Keywords: Covid-19, Twitter, Analisis Sentimen, Lexicon Based

Abstract

 Twitter merupakan salah satu media sosial yang memungkinkan penggunanya untuk menulis tentang berbagai topik dan membahas isu-isu yang sedang terjadi. Salah satu isu yang sedang menjadi trending topic saat ini adalah Covid-19. Banyak kalangan di masyarakat tersebar isu bahwa Covid-19 ini merupakan konspirasi dan tidak sedikit juga yang mempercayai bahwa Covid-19 ini nyata. Oleh karena itu perlu suatu analisis sentimen untuk mengetahui apakah Covid-19 ini nyata atau konspirasi berdasarkan opini masyarakat di Twitter, metode yang digunakan adalah Lexicon Based untuk mengelompokkan opini masyarakat ke dalam kategori sentimen positif, negatif atau netral. Hasil dari penelitian ini menunjukkan bahwa masyarakat pada twitter yang percaya bahwa Covid-19 adalah nyata masih cukup tinggi dibandingkan dengan masyarakat yang mempercayai isu konspirasi Covid-19. Hal tersebut dapat dilihat dari persentase sentimen kategori positif sebesar 58.08%, opini sentimen kategori negatif sebesar 37.61%, dan opini sentimen kategori netral sebesar 4.31%.

Downloads

Download data is not yet available.

References

[1] Adriani, M., Asian, J., Nazief, B., Tahaghoghi, S. M. M., & Williams, H. E. (2007). Stemming Indonesian. ACM Transactions on Asian Language Information Processing, 6(4), 1–33. https://doi.org/10.1145/1316457.1316459
[2] Agastya, I. M. A. (2018). Pengaruh Stemmer Bahasa Indonesia Terhadap Peforma Analisis Sentimen Terjemahan Ulasan Film. Jurnal Tekno Kompak, 12(1), 18.
[3] Alaei, A. R., Becken, S., & Stantic, B. (2019). Sentiment Analysis in Tourism: Capitalizing on Big Data. Journal of Travel Research, 58(2), 175–191. https://doi.org/10.1177/0047287517747753
[4] Deng, S., Sinha, A. P., & Zhao, H. (2017). Adapting sentiment lexicons to domain-specific social media texts. Decision Support Systems, 94, 65–76. https://doi.org/10.1016/j.dss.2016.11.001
[5] Farooq, U. (2017). Negation Handling in Sentiment Analysis at Sentence Level. Journal of Computers, 12(5), 470–478. https://doi.org/10.17706/jcp.12.5.470-478
[6] Febrian, D. A. (2020). Asal Mula dan Penyebaran Virus Corona dari Wuhan ke Seluruh Dunia. idntimes.com. https://bali.idntimes.com/health/medical/denny-adhietya/asal-muasal-dan-perjalanan-virus-corona-dari-wuhan-ke-seluruh-dunia-regional-bali/full
[7] Hamdan, H., Bellot, P., & Bechet, F. (2015). Lsislif: Feature Extraction and Label Weighting for Sentiment Analysis in Twitter. Proceedings ofthe 9th International Workshop on Semantic Evaluation, SemEval, 568–573. https://doi.org/10.18653/v1/s15-2095
[8] Kompas.com. (2020). Ini Alasan Mengapa Orang Percaya pada Teori Konspirasi Virus Corona Halaman all - Kompas.com. Kompas.com. https://www.kompas.com/sains/read/2020/04/20/180200923/ini-alasan-mengapa-orang-percaya-pada-teori-konspirasi-virus-corona?page=all
[9] Koto, F., & Rahmaningtyas, G. Y. (2018). Inset lexicon: Evaluation of a word list for Indonesian sentiment analysis in microblogs. Proceedings of the 2017 International Conference on Asian Language Processing, IALP 2017, 2018
Published
2021-08-30
Abstract views: 41 , PDF downloads: 36