Analisis Sentimen Pengguna Twitter terhadap Konten Edukasi Dokter Detektif dengan Metode Pohon Keputusan
DOI:
https://doi.org/10.52436/1.jpti.893Abstrak
Media sosial, khususnya Twitter, telah berkembang menjadi sarana yang efektif untuk menyampaikan konten edukasi kesehatan secara luas dan interaktif. Salah satu akun yang aktif dalam menyebarkan informasi kesehatan berbasis sains adalah Dokter Detektif, yang menyajikan konten dermatologi dengan pendekatan komunikatif. Penelitian ini bertujuan untuk menganalisis sentimen pengguna Twitter terhadap konten edukasi yang disampaikan oleh akun tersebut. Metode yang digunakan adalah klasifikasi sentimen dengan algoritma Decision Tree dan dibandingkan dengan Naive Bayes. Data diperoleh melalui web scraping, lalu diproses melalui tahapan cleansing, tokenisasi, normalisasi, dan penghapusan stopword menggunakan Sastrawi. Sentimen diklasifikasikan menjadi positif dan negatif, dengan penanganan ketidakseimbangan data menggunakan Synthetic Minority Over-sampling Technique (SMOTE). Hasil penelitian menunjukkan bahwa Decision Tree menghasilkan akurasi sebesar 84% dan menunjukkan performa yang lebih stabil dibandingkan Naive Bayes berdasarkan evaluasi precision, recall, f1-score, dan confusion matrix. Temuan ini menunjukkan bahwa Decision Tree lebih efektif dalam menganalisis sentimen teks terkait konten edukatif di media sosial, khususnya dalam domain kesehatan.
Unduhan
Referensi
S. A. Moorhead, D. E. Hazlett, L. Harrison, J. K. Carroll, A. Irwin, and C. Hoving, “A New Dimension of Health Care: Systematic Review of the Uses, Benefits, and Limitations of Social Media for Health Communication,” J. Med. Internet Res., vol. 15, no. 4, p. e85, Apr. 2013, doi: 10.2196/jmir.1933.
J. H. Kietzmann, K. Hermkens, I. P. McCarthy, and B. S. Silvestre, “Social media? Get serious! Understanding the functional building blocks of social media,” Bus. Horiz., vol. 54, no. 3, pp. 241–251, May 2011, doi: 10.1016/j.bushor.2011.01.005.
W. Medhat, A. Hassan, and H. Korashy, “Sentiment analysis algorithms and applications: A survey,” Ain Shams Eng. J., vol. 5, no. 4, pp. 1093–1113, Dec. 2014, doi: 10.1016/j.asej.2014.04.011.
K. Ravi and V. Ravi, “A survey on opinion mining and sentiment analysis: Tasks, approaches and applications,” Knowledge-Based Syst., vol. 89, pp. 14–46, Nov. 2015, doi: 10.1016/j.knosys.2015.06.015.
C. Ruiz-Núñez et al., “Sentiment Analysis on Twitter: Role of Healthcare Professionals in the Global Conversation during the AstraZeneca Vaccine Suspension,” Int. J. Environ. Res. Public Health, vol. 20, no. 3, p. 2225, Jan. 2023, doi: 10.3390/ijerph20032225.
Y. Qiu, C. Xiao, and J. Li, “Service quality evaluation of county-level public hospitals in Chongqing under smart healthcare,” BMC Health Serv. Res., vol. 24, no. 1, p. 1492, Nov. 2024, doi: 10.1186/s12913-024-11976-z.
N. Ritha et al., “Sentiment Analysis of Health Protocol Policy Using K-Nearest Neighbor and Cosine Similarity,” in Proceedings of the 1st International Conference on Sustainable Engineering Development and Technological Innovation, ICSEDTI 2022, 11-13 October 2022, Tanjungpinang, Indonesia, EAI, 2023. doi: 10.4108/eai.11-10-2022.2326274.
N. Hu, “Sentiment Analysis of Texts on Public Health Emergencies Based on Social Media Data Mining,” Comput. Math. Methods Med., vol. 2022, pp. 1–7, Aug. 2022, doi: 10.1155/2022/3964473.
M. Haris Humaidi, Sutrisno, and P. Widyo Laksono, “Implementation of Machine Learning for Text Classification Using the Naive Bayes Algorithm in Academic Information Systems at Sebelas Maret University Indonesia,” E3S Web Conf., vol. 465, p. 02048, Dec. 2023, doi: 10.1051/e3sconf/202346502048.
J. R. Quinlan, “Improved Use of Continuous Attributes in C4.5,” J. Artif. Intell. Res., vol. 4, pp. 77–90, Mar. 1996, doi: 10.1613/jair.279.
Y. Akbar and T. Sugiharto, “Analisis Sentimen Pengguna Twitter di Indonesia Terhadap ChatGPT Menggunakan Algoritma C4.5 dan Naïve Bayes (Yuma Akbar 1*, Tri Sugiharto 2 ) Analisis Sentimen Pengguna Twitter di Indonesia Terhadap ChatGPT Menggunakan Algoritma C4.5 dan Naïve Bayes,” J. Sains dan Teknol., vol. 5, no. 1, pp. 115–122, 2023, [Online]. Available: https://doi.org/10.55338/saintek.v4i3.1368
A. Syafrianto, “Perbandingan Algoritma Naïve Bayes dan Decision Tree Pada Sentimen Analisis,” Indones. J. Comput. Sci. Res., vol. 1, no. 2, Jul. 2022, doi: 10.59095/ijcsr.v1i2.11.
N. C. Ramadani, I. Tahyudin, and A. Shouni Barkah, “Perbandingan Algoritma Support Vector Machine, Decision Tree, dan Logistic Regresion Pada Analisis Sentimen Ulasan Aplikasi Netflix,” J. Nas. Teknol. dan Sist. Inf., vol. 10, no. 2, pp. 110–117, Aug. 2024, doi: 10.25077/TEKNOSI.v10i2.2024.110-117.
R. Puspita and A. Widodo, “Perbandingan Metode KNN, Decision Tree, dan Naïve Bayes Terhadap Analisis Sentimen Pengguna Layanan BPJS,” J. Inform. Univ. Pamulang, vol. 5, no. 4, p. 646, Dec. 2021, doi: 10.32493/informatika.v5i4.7622.
A. Gangwar and T. Mehta, “Sentiment Analysis of Political Tweets for Israel Using Machine Learning,” Springer Proc. Math. Stat., vol. 401, no. Icmlbda, pp. 191–201, 2023, doi: 10.1007/978-3-031-15175-0_15.
T. A. Q. Putri, A. Triayudi, and R. T. Aldisa, “Implementasi Algoritma Decision Tree dan Naïve Bayes Untuk Klasifikasi Sentimen Terhadap Kepuasan Pelanggan Starbucks,” J. Inf. Syst. Res., vol. 4, no. 2, pp. 641–649, Jan. 2023, doi: 10.47065/josh.v4i2.2949.
