Pendekatan Data Science untuk Mengukur Empati Masyarakat terhadap Pandemi Menggunakan Analisis Sentimen dan Seleksi Fitur

Fika Hastarita Rachman, Imamah Imamah

Abstract


Empati merupakan kemampuan seseorang untuk turut merasakan penderitaan orang lain. Pandemi covid yang melanda dunia, telah menyisakan banyak kehilangan dan keterpurukan. Penelitian ini bertujuan untuk mengetahui emosi masyarakat terhadap penderitaan sesama menggunakan pendekatan sentimen analisis. Dataset yang digunakan adalah komentar masyarakat di Twitter tentang pandemi Covid dalam rentang waktu November-Desember 2020. Data diambil dengan teknik crawling menggunakan library twint, didapatkan data sebanyak 2386 komentar, namun komentar yang mengandung empati hanya sebanyak 984 data. Dataset empati kemudian dilabeli oleh tiga orang menggunakan teknik majority voting. Hasil pengukuran dataset empati menunjukkan 55,7% komentar masyarakat indonesia mengandung empati positif (berempati), 37,4% empati negatif (tidak berempati), dan 6,9% netral. Untuk membentuk model yang dapat mendeteksi empati secara otomatis, maka digunakan  dataset empati sebanyak 400, dengan 200 kelas positif dan 200 kelas negatif, kelas netral tidak digunakan pada penelitian ini karena jumlah data sangat sedikit. Metode machine learning yang digunakan untuk membangun model adalah Support Vector Machine (SVM) dengan metode ekstraksi fitur reliefF. Berdasarkan penelitian yang dilakukan, akurasi sistem dengan metode SVM tanpa seleksi fitur ReliefF adalah 83%. Sedangkan akurasi yang diperoleh sistem dengan seleksi fitur ReliefF mencapai 93% dengan penggunaan 85% fitur dari total keseluruhan fitur.


Keywords


Empati; Klasifikasi; Analisis Sentimen; SVM; ReliefF

Full Text:

PDF

References


I. Imamah, H. Husni, E. M. Rohman, I. O. Suzanti, and F. A. Mufarroha, “Text mining and Support Vector Machine for Sentiment Analysis of tourist Reviews in Bangkalan Regency,” Journal of Physics: Conference Series, vol. 1477, no. 2, pp. 0–6, 2020.

B. S. Rintyarna, H. Kuswanto, R. Sarno, and E. K. Rachmaningsih, “Modelling Service Quality of Internet Service Providers during COVID-19 : The Customer Perspective Based on Twitter Dataset,” Informatics, vol. 9, pp. 1–12, 2022.

F. H. Rachman, I. Imamah, and B. S. Rintyarna, “Sentiment Analysis of Madura Tourism in New Normal Era using Text Blob and KNN with Hyperparameter Tuning,” in International Seminar on Machine Learning, Optimization, and Data Science (ISMODE), 2022, pp. 23–27.

H. Junawan and N. Laugu, “Eksistensi Media Sosial,Youtube, Instagram dan Whatsapp Ditengah Pandemi Covid-19 Dikalangan Masyarakat Virtual Indonesia,” Baitul ’Ulum: Jurnal Ilmu Perpustakaan dan Informasi, vol. 4, no. 1, pp. 41–57, 2020.

Q. Fadhillah, “GAMBARAN EMPATI GENERASI MILLENIAL DI PEKANBARU,” Journal of Islamic and Contemporary Psychology (JICOP), vol. 1, no. 2, pp. 61–66, 2021.

I. Imamah and F. H. Rachman, “Twitter Sentiment Analysis of Covid-19 Using Term Weighting TF-IDF And Logistic Regresion,” in The 6th Information Technology International Seminar (ITIS), 2020, pp. 238–242.

F. H. Rachman, R. Sarno, and C. Fatichah, “Hybrid Approach of Structural Lyric and Audio Segments for Detecting Song Emotion,” International Journal of Intelligent Engineering & Systems, vol. 13, no. 1, 2020.

A. N. Rohman, E. Utami, and S. Raharjo, “Deteksi Kondisi Emosi pada Media Sosial Menggunakan Pendekatan Leksikon dan Natural Language Processing,” Eksplora Informatika, vol. 9, no. 1, pp. 70–76, 2019.

D. J. Haryanto, L. Muflikhah, and M. A. Fauzi, “Analisis Sentimen Review Barang Berbahasa Indonesia Dengan Metode Support Vector Machine Dan Query Expansion,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, vol. 2, no. 9, pp. 2909–2916, 2018.

R. Mahendrajaya, G. A. Buntoro, and M. B. Setyawan, “Analisis Sentimen Pengguna Gopay Menggunakan Metode Lexicon Based Dan Support Vector Machine,” Komputek, vol. 3, no. 2, p. 52, 2019.

M. Ichwan, I. A. Dewi, and Z. M. S, “Klasifikasi Support Vector Machine (SVM) Untuk Menentukan TingkatKemanisan Mangga Berdasarkan Fitur Warna,” MIND Journal, vol. 3, no. 2, pp. 16–23, 2019.

Y. Alapati and K. Sindhu, “Combining Clustering with Classification: A Technique to Improve Classification Accuracy,” International Journal of Computer Science Engineering, vol. 5, no. 06, pp. 336–338, 2016.

Y. Zhai, W. Song, X. Liu, L. Liu, and X. Zhao, “A Chi-square Statistics Based Feature Selection,” 2018 IEEE 9th International Conference on Software Engineering and Service Science (ICSESS), pp. 160–163, 2018.

O. Somantri and M. Khambali, “Feature Selection Klasifikasi Kategori Cerita Pendek Menggunakan Naïve Bayes dan Algoritme Genetika,” Jurnal Nasional Teknik Elektro dan Teknologi Informasi (JNTETI), vol. 6, no. 3, 2017.

A. Elsayya, M. Al-Dhaifallah, and N. A, “Features Selection for Arrhythmia Diagnosis using Relief-F Algorithm and Support Vector Machine,” pp. 461–468, 2017.

B. Laurensz and Eko Sediyono, “Analisis Sentimen Masyarakat terhadap Tindakan Vaksinasi dalam Upaya Mengatasi Pandemi Covid-19,” Jurnal Nasional Teknik Elektro dan Teknologi Informasi, vol. 10, no. 2, pp. 118–123, 2021.

I. Imamah and F. H. Rachman, “Twitter Sentiment Analysis of Covid-19 Using Term Weighting TF-IDF And Logistic Regresion,” in Information Technology International Seminar (ITIS), 2020, pp. 238–242.

Z. M. Kesuma, “Feature Selection Data Indeks Kesehatan Masyarakat Menggunakan Algoritma Relief-F,” Statistika, vol. 11, no. 1, pp. 61–66, 2011.

A. Elsayya, M. Al-Dhaifallah, and A. M. Nassef, “Features Selection for Arrhythmia Diagnosis using Relief-F Algorithm and Support Vector Machine,” pp. 461–468, 2017.

L. Silva, B. Bispo, J. Paulo, L. Silva, B. Bispo, and J. Paulo, “Features Selection Algorithms for Classification of Voice Signals,” Procedia Computer Science, vol. 181, no. 2020, pp. 948–956, 2021.

D. Jain and V. Singh, “An Efficient Hybrid Selection model for Dimensionality Reduction,” Procedia Computer Science, vol. 132, no. Iccids, pp. 333–341, 2018.

F. P. B. Muhamad, D. O. Siahaan, and C. Fatichah, Perbaikan Prediksi Kesalahan Perangkat Lunak Menggunakan Seleksi Fitur dan Cluster-Based Classification, vol. 6, no. 3. 2017.

N. M. G. D. Purnamasari, M. A. Fauzi, Indriarti, and L. S. Dewi, “Identifikasi Tweet Cyberbullying pada Aplikasi Twitter menggunakan Metode Support Vector Machine ( SVM ) dan Information Gain ( IG ) sebagai Seleksi Fitur,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, vol. 2, no. 11, pp. 5326–5332, 2018.

W. Wijanarto and R. Puspitasari, “Optimasi Algoritma Klasifikasi Biner dengan Tuning Parameter pada Penyakit Diabetes Mellitus,” Eksplora Informatika, vol. 9, no. 1, pp. 50–59, 2019.

F. A. Novianti and S. W. Purnami, “Analisis Diagnosis Pasien Kanker Payudara Menggunakan Regresi Logistik dan Support Vector Machine (SVM) Berdasarkan Hasil Mamografi,” Jurnal SAINS dan Seni ITS, vol. 1, no. 1, pp. D147–D152, 2012.




DOI: http://dx.doi.org/10.26418/jp.v8i3.56655

Refbacks

  • There are currently no refbacks.