Pendekatan Ensemble untuk Analisis Sentimen Covid19 Menggunakan Pengklasifikasi Soft Voting

Abstract

Covid19 berdampak pada sektor kehidupan, mulai dari sektor ekonomi, pendidikan, kesehatan, invertasi, pariwisata hingga menimbulkan krisis lain yaitu fenomena ketakutan dan kepanikan masyarakat yang dipicu oleh informasi yang tidak lengkap dan akurat. Ketakutan dan kepanikan massa menyebabkan publik mempublikasikan sentimen di media sosial untuk memberikan tanggapan atau kritik terhadap keputusan yang dibuat oleh negara. Pandangan masyarakat terhadap Covid19 perlu dijadikan landasan sebagai pendukung keputusan untuk menyusun kebijakan pemerintah dalam menangani Covid19 di Indonesia. Penelitian ini bertujuan untuk membandingkan dan menerapkan algoritma Logistic Regression, Naïve Bayes, dan Support Vector Machine menggunakan pengklasifikasi dari ensemble, yaitu Soft Voting untuk analisis sentimen perihal Covid19 pada media sosial Twitter. Implementasi Soft Voting untuk analisis sentiment masyarakat Indonesia terhadap Covid19 menjadi kebaruan pada penelitian ini. Soft Voting akan menentukan prediksi baru berdasarkan rekomendasi maksimum dari berbagai model yang diperlukan untuk analisis sentimen. Pada penelitian ini, semua algoritma mendapatkan akurasi yang sama untuk analisis sentimen, yaitu sebesar 89%. Penerapan metode ensemble meningkatkan akurasi model untuk prediksi sentimen menjadi 91%. Abstract Covid-19 has impacted all sectors of life, ranging from the economic sector, education, health, investment, tourism to causing another crisis, i.e., the phenomenon of public fear and panic triggered by incomplete and accurate information. Fear and panic cause the public to publish sentiments on social media to provide feedback or criticism of decisions made by the state. The public's view of Covid-19 needs to be used as a basis for decision support to formulate government policies in dealing with Covid-19 in Indonesia. This study aims to compare and apply the Logistic Regression, Naïve Bayes, and Support Vector Machine algorithms using the classifier from ensemble, i.e., Soft Voting for sentiment analysis related to Covid19 on Twitter social media. The application of Soft Voting for the analysis of Indonesian public's sentiments towards Covid19 is a novelty in this research. Soft Voting will determine new predictions based on maximum recommendations from various models needed for sentiment analysis. In this study, all algorithms get the same accuracy for sentiment analysis, which is 89%. The application of the ensemble method increases the accuracy of the model for sentiment prediction by up to 91%.