Analisis Sentimen Menggunakan Long Short-Term Memory Terkait Vaksinasi Covid-19 Di Indonesia

Abstract

Pro dan kontra masyarakat terkait program vaksinasi Covid-19 di Indonesia belum dikelola dengan baik oleh pemerintah. Pengelolaan opini dapat dilakukan dengan analisis sentimen untuk mendapatkan rekomendasi yang terbaik. Penelitian dengan topik yang sama banyak yang menggunakan machine learning, dan sedikit yang menggunakan deep learning. Pada penelitian ini memilih deep learning dengan algoritma Long Short-Term Memory (LSTM) untuk analisis sentimen. Penelitian ini bertujuan untuk mengetahui bagaimana melakukan analisis sentimen menggunakan LSTM terhadap vaksinasi Covid-19 di Indonesia. Serta dapat mengetahui performa LSTM untuk analisis sentiment terkait vaksinasi covid19 di Indonesia. Tahapan pertama dilakukan dengan pengumpulan data yang diambil dari Kaggle dengan topik yang sama. Kemudian dilakukan preprocessing. Setelah itu dilakukan klasifikasi dengan menggunakan LSTM. Proses akhir dari analisis sentimen yaitu pengujian metode klasifikasi untuk mengetahui performa model menggunakan confusion matrix dan classification report. Penelitian ini menggunakan 3000 data, dan dari banyak percobaan modifikasi model LSTM, dipilih model Bidirectional LSTM dan GloVe untuk word embedding, dengan menambahkan regularisasi berupa dropout dan pooling layer berupa GlobalMaxPool1D. Performa yang dihasilkan yaitu akurasi 71%, dengan rincian untuk sentimen negatif (presisi: 89%, recall: 20%, dan f1-score: 33%), sentimen netral (presisi: 72%, recall: 86%, dan f1- score: 78%), sentimen positif (presisi: 67%, recall: 72%, dan f1-score: 70%). Kata