Analisis Sentimen untuk Identifikasi Bantuan Korban Bencana Alam berdasarkan Data di Twitter Menggunakan Metode K-Means dan Naive Bayes

Abstract

Media sosial telah menjadi sarana yang umum bagi orang untuk mengekspresikan diri dan meminta bantuan ketika mereka mengalami musibah. Banyak korban bencana alam di Indonesia menggunakan Twitter untuk meminta bantuan seperti makanan, air bersih, dan lainnya. Penelitian ini bertujuan untuk melakukan analisis sentimen dari data Twitter untuk menentukan bantuan bagi korban bencana alam di Indonesia. Pada penelitian ini, metode K-Means dan Naïve Bayes dikombinasikan untuk melakukan analisis sentimen. Dalam penelitian ini, bantuan yang akan ditemukan adalah pakaian, makanan, air bersih, dan obat. Metode K-Means dipilih karena mudah digunakan dan mudah diimplementasikan, sementara metode Naïve Bayes digunakan karena menghasilkan nilai akurasi yang baik dalam klasifikasi. Hasil uji coba memperlihatkan bahwa kombinasi K-Means dan Naïve Bayes menghasilkan akurasi sebesar 76,46%, di mana akurasi tersebut lebih tinggi daripada implementasi Naïve Bayes saja, dengan akurasi sebesar 74,65%. Berdasarkan validasi yang dilakukan dengan Kepala Badan Penanggulangan Bencana Daerah (BPBD) di Kota Tarakan, sistem ini dapat membantu BPBD Kota Tarakan dalam memberikan bantuan yang tepat ke lokasi bencana. Abstract Social media has become a common place for people to express themselves and ask for help when they are going through a calamity. Many victims of natural disasters in Indonesia use Twitter to request assistance such as food, clean water, and others. Therefore, this study aims to conduct sentiment analysis from Twitter data to determine aid for victims of natural disasters in Indonesia. In this research, K-Means and Naïve Bayes methods will be combined for sentiment analysis. In this study, the assistance that will be found is clothing, food, clean water, and medicine. The K-Means method was chosen because it is easy to use and easy to implement, while the Naïve Bayes method was chosen because it has a good level of accuracy in classification. The results showed that the combination of K-Means and Naïve Bayes had a higher accuracy rate of 76.46%, compared to the use of Naïve Bayes alone, which was 74.65%. Based on the validation conducted with the Head of the Regional Disaster Management Agency (BPBD) in Tarakan City, this system can assist the Tarakan City BPBD in providing appropriate assistance to disaster locations.