Analisis Sentimen Kalimat Depresi Pada Pengguna Twitter Dengan Naive Bayes, Support Vector Machine, Random Forest
Abstract
Pengguna aktif media sosial terus meningkat, dengan Twitter menjadi salah satu platform yang populer. Media sosial, termasuk Twitter, menjadi tempat bagi pengguna untuk mengekspresikan pendapat, termasuk mengenai masalah kesehatan mental seperti depresi. Penelitian ini bertujuan untuk menganalisis sentimen tweet pengguna Twitter terkait depresi menggunakan metode klasifikasi seperti Naïve Bayes Classifier, Support Vector Machine (SVM), dan Random Forest. Pengumpulan data tweet menggunakan metode crawling menggunakan API yang disediakan oleh Twitter dengan kata kunci yang berhubungan dengan depresi. Data tweet yang digunakan sebanyak 1502 tweet, yang selanjutnya dibersihkan pada tahap preprocessing dan diberi label dengan validasi oleh pakar terkait depresi, data yang sudah diberi label sebagai data untuk pengujian pada algoritma yang digunakan. Dari hasil pengujian performa pada algoritma yang diuji dapat disimpulkan bahwa algoritma Random Forest memilkiki hasil performa yang lebih tinggi dibandingkan dengan Naive Bayes Clasifier dan Support Vector Machine dengan Hasil akurasi: 83.33%, presisi: 83.04%, recall: 83.33%, dan f1-scores: 82.62%. Penelitian ini Juga memberikan Word cloud untuk memberikan gambaran visual tentang kata-kata yang paling sering muncul dalam tweet. Kata-kata yang dominan dapat memberikan indikasi tentang topik atau isu yang paling mendominasi terkait kesehatan mental seseorang
Keywords
References
Adhitya Karel Maulaya, & Junadhi. (2022). Analisis sentimen menggunakan support vector machine masyarakat indonesia di twitter terkait bjorka. Jurnal CoSciTech (Computer Science and Information Technology), 3(3), 495–500. https://doi.org/10.37859/coscitech.v3i3.4358
Hadi, I., Fitriwijayati, Usman, R. D., & Rosyanti, L. (2017). Gangguan Depresi Mayor. Hijp : Health Information Jurnal Penelitian, 9(1), 16. https://myjurnal.poltekkes-kdi.ac.id/index.php/HIJP
Hutagalung, A. S., Negara, A. B. P., & Pratama, E. E. (2021). Aplikasi Pendeteksi Cyberbullying Terhadap Komentar Postingan Media Sosial Instagram dengan Metode Naïve Bayes Classifier Berbasis Website. Jurnal Sistem Dan Teknologi Informasi (Justin), 9(3), 364. https://doi.org/10.26418/justin.v9i3.44843
Khadafi, M. Al, Kartika, K. P., Febrinita, F., Informasi, F. T., Balitar, U. I., Blitar, K., Based, L., Sentimen, A., Widodo, P. J., Program, P., & Kesehatan, J. (2022). Penerapan Metode Naïve Bayes Classifier Dan Lexicon Based Untuk Analisis Sentimen Cyberbullying Pada Bpjs. Jurnal Mahasiswa Teknik Informatika, 6(2), 725–733.
Krisdiyanto, T. (2021). Analisis Sentimen Opini Masyarakat Indonesia Terhadap Kebijakan PPKM pada Media Sosial Twitter Menggunakan Naïve Bayes Clasifiers. Jurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer Dan Teknologi Informasi, 7(1), 32. https://doi.org/10.24014/coreit.v7i1.12945
Maulana, F. A., Ernawati, I., Labu, P., & Selatan, J. (2020). Analisa sentimen cyberbullying di jejaring sosial twitter dengan algoritma naïve bayes. Seminar Nasional Mahasiswa Ilmu Komputer Dan Aplikasinya (SENAMIKA, 529–538. https://conference.upnvj.ac.id/index.php/senamika/article/view/619
Nafi’iyah, N. (2020). Algoritma SVM untuk Memprediksi Pengunjung Wisata Musium di Jakarta. KERNEL: Jurnal Riset Inovasi Bidang Informatika Dan Pendidikan Informatika, 1(1), 33–41. https://doi.org/10.31284/j.kernel.2020.v1i1.1156
Normawati, D., & Prayogi, S. A. (2021). Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter. J-SAKTI (Jurnal Sains Komputer Dan Informatika), 5(2), 697–711.
Nugraha, K. A. (2021). Analisis Sentimen Berbasis Emoticon pada Komentar Instagram Bahasa Indonesia Menggunakan Naïve Bayes. Jurnal Teknik Informatika Dan Sistem Informasi, 7(3), 715–721. https://doi.org/10.28932/jutisi.v7i3.4094
Primadhani Tirtopangarsa, A., & Maharani, W. (2021). Sentiment Analysis of Depression Detection on Twitter Social Media Users Using the K-Nearest Neighbor Method Analisis Sentimen Deteksi Depresi pada Pengguna Media Sosial Twitter dengan Menggunakan Metode K-Nearest Neighbor. Semnasif, 1(1), 247–258.
Riadi, I., Umar, R., & Aini, F. D. (2019). Analisis Perbandingan Detection Traffic Anomaly Dengan Metode Naive Bayes Dan Support Vector Machine (Svm). ILKOM Jurnal Ilmiah, 11(1), 17–24. https://doi.org/10.33096/ilkom.v11i1.361.17-24
Rizki, M. F., Auliasari, K., & Primaswara Prasetya, R. (2021). Analisis Sentiment Cyberbullying Pada Sosial Media Twitter Menggunakan Metode Support Vector Machine. JATI (Jurnal Mahasiswa Teknik Informatika), 5(2), 548–556. https://doi.org/10.36040/jati.v5i2.3808
Sejati, P., Pilliang, M., Akbar, H., Unggul, U. E., Barat, J., Korespondensi, P., & Neighbor, K. (2022). STUDI KOMPARASI NAIVE BAYES, K-NEAREST NEIGHBOR, DAN RANDOM FOREST UNTUK PREDIKSI CALON MAHASISWA YANG DITERIMA ATAU MUNDUR. Jurnal Teknologi Informasi Dan Ilmu Komputer (JTIIK), 9(7), 1341–1348. https://doi.org/10.25126/jtiik.202296737
Syarifuddinn, M. (2020). ANALISIS SENTIMEN OPINI PUBLIK TERHADAP EFEK PSBB
DOI: 10.24269/jkt.v7i2.2218
Refbacks
- There are currently no refbacks.
