Perbandingan Naive Bayes Classifier dan Support Vector Machine untuk Analisis Sentimen terhadap Penyebaran Nyamuk Wolbachia di Indonesia
DOI:
https://doi.org/10.52436/1.jpti.499Keywords:
analisis sentimen, Demam Berdarah Dengue, Instagram, Naive Bayes Classifier, Support Vector Machine, WolbachiaAbstract
Demam Berdarah Dengue (DBD) merupakan penyakit endemik yang terus menjadi ancaman kesehatan masyarakat di Indonesia. Salah satu solusi inovatif yang diterapkan adalah pelepasan nyamuk Aedes aegypti yang terinfeksi Wolbachia untuk mengurangi penularan virus DBD. Program ini mendapat beragam tanggapan publik di media sosial, seperti Instagram, yang dapat memengaruhi keberhasilannya. Penelitian ini bertujuan untuk menganalisis sentimen publik terkait program tersebut menggunakan algoritma Naive Bayes Classifier (NBC) dan Support Vector Machine (SVM). Sebanyak 3.619 komentar Instagram dikumpulkan melalui scraping, kemudian diproses menggunakan text preprocessing dengan metode N-Gram dan TF-IDF untuk ekstraksi fitur. Untuk mengatasi ketidakseimbangan data, diterapkan Synthetic Minority Oversampling Technique (SMOTE), dan data divalidasi menggunakan K-Fold Cross Validation dengan k adalah 10. Hasil menunjukkan bahwa SVM memiliki accuracy lebih tinggi sebesar 83,24% dibandingkan NBC yang mencapai 82,15%. SVM unggul dalam mendeteksi sentimen positif dengan recall sebesar 85,39%, sementara NBC menunjukkan precision lebih tinggi untuk sentimen negatif sebesar 86,36%. Hasil ini menunjukkan bahwa SVM lebih efektif untuk mengukur dukungan publik, sedangkan NBC lebih sesuai untuk mengidentifikasi kritik atau kekhawatiran. Temuan ini memberikan wawasan praktis bagi pemerintah dan pemangku kepentingan dalam meningkatkan strategi komunikasi kesehatan berbasis data untuk mendukung keberhasilan program kesehatan masyarakat.
Downloads
References
Kemenkes RI, “Membuka Lembaran Baru,” Lap. Tah. 2022 Demam Berdarah Dengue, pp. 17–19, 2022.
Kemenkes RI, “Inovasi Wolbachia, Cara Ampuh dan Hemat Kendalikan Demam Berdarah,” Kementeri. Kesehat. RI, pp. 1–2, 2023, [Online]. Available: https://www.kemkes.go.id/id/rilis-kesehatan/inovasi-wolbachia-cara-ampuh-dan-hemat-kendalikan-demam-berdarah
B. Pang, L. Lee, and S. Vaithyanathan, “Thumbs up? Sentiment Classification using Machine Learning Techniques,” Proc. 2002 Conf. Empir. Methods Nat. Lang. Process. EMNLP 2002, pp. 79–86, 2002.
A. Irwanto and L. Goeirmanto, “Sentiment Analysis from Twitter about Covid-19 Vaccination in Indonesia using Naïve Bayes and XGboost Classifier Algorithm,” vol. 27, no. 2, pp. 145–152, 2023.
Ermatita, A. Sanmorino, Samsuryadi, and D. P. Rini, “Analyzing Factors Contributing to Research Performance using Backpropagation Neural Network and Support Vector Machine,” KSII Trans. Internet Inf. Syst., vol. 16, no. 1, pp. 153–172, 2022, doi: 10.3837/tiis.2022.01.009.
A. Irwanto and L. Goeirmanto, “Sentiment Analysis from Twitter about Covid-19 Vaccination in Indonesia using Naive Bayes and XGboost Classifier Algorithm,” pp. 145–152, 2023, doi: http://doi.org/10.22441/sinergi.2023.2.001.
S. Bengesi, T. Oladunni, R. Olusegun, and H. Audu, “A Machine Learning-Sentiment Analysis on Monkeypox Outbreak?: An Extensive Dataset to Show the Polarity of Public Opinion From Twitter Tweets,” IEEE Access, vol. 11, no. January, pp. 11811–11826, 2023, doi: 10.1109/ACCESS.2023.3242290.
R. Kusumawati, A. Arofah, D, and A. Pramana, P, “Comparison Performance of Naive Bayes Classifier and Support Vector Machine Algorithm for Twitter ’ s Classification of Tokopedia Services,” J. Phys. Conf. Ser., vol. 1320, pp. 1–11, 2019, doi: 10.1088/1742-6596/1320/1/012016.
E. P. V. Reddy and S. Ramesh, “Comparative analysis of support vector machine and Naive Bayes classifier for the prediction of airline passenger satisfaction,” AIP Conf. Proc., 2024.
E. K. Seltzer, M. Lu, and R. M. Merchant, “Public sentiment and discourse about Zika virus on Instagram,” vol. 0, no. 215, pp. 0–5, 2017.
C. P. Chai, “Comparison of text preprocessing methods,” Nat. Lang. Eng., vol. 29, pp. 509–553, 2023, doi: 10.1017/S1351324922000213.
A. Mardjo and C. Choksuchat, “HyVADRF: Hybrid VADER-Random Forest and GWO for Bitcoin Tweet Sentiment Analysis,” IEEE Access, vol. 10, no. August, pp. 101889–101897, 2022, doi: 10.1109/ACCESS.2022.3209662.
A. Tripathy, A. Agrawal, and S. K. Rath, “Classification of sentiment reviews using n-gram machine learning approach,” Expert Syst. Appl., vol. 57, pp. 117–126, 2016, doi: 10.1016/j.eswa.2016.03.028.
S. Aathira, B. Reena, and D. S. Uma, “Mental Stress Detection Using TF-IDF with Multinomial Naive Bayes,” Int. J. Res. Sci. Eng. Technol., vol. 9, no. 6, pp. 1–5, 2023.
F. D. Astuti and F. N. Lenti, “Implementasi SMOTE untuk mengatasi Imbalance Class pada Klasifikasi Car Evolution Menggunakan KNN,” JUPITER, vol. 13, pp. 89–98, 2021.
S. Suryani, M. F. Fayyad, D. T. Savra, V. Kurniawan, and B. H. Estanto, “Sentiment Analysis of Towards Electric Cars using Naive Bayes Classifier and Support Vector Machine Algorithm,” Public Res. J. Eng. Data Technol. Comput. Sci., vol. 1, no. 1, pp. 1–9, 2023, doi: 10.57152/predatecs.v1i1.814.
S. Hilda Kusumahadi, H. Junaedi, and J. Santoso, “Klasifikasi Helpdesk Menggunakan Metode Support Vector Machine,” J. Inform. J. Pengemb. IT, vol. 4, no. 1, pp. 54–60, 2019, doi: 10.30591/jpit.v4i1.1125.
L. F. Hu, W. Gong, L. X. Qi, and P. Wang, “A Method for Feature Selection Based On the Optimal Hyperplane of SVM and Independent Analysis,” pp. 14–17, 2013, doi: 10.1109/ICMLC.2013.6890454.
H. C. Husada and A. S. Paramita, “Analisis Sentimen Pada Maskapai Penerbangan di Platform Twitter Menggunakan Algoritma Support Vector Machine (SVM),” Teknika, vol. 10, no. 1, pp. 18–26, 2021, doi: 10.34148/teknika.v10i1.311.
A. Saepudin, A. Faqih, and G. Dwilestari, “Perbandingan Algoritma Klasifikasi Support Vector Machine , Random Forest dan Logistic Regression Pada Ulasan Shopee,” vol. 18, no. 1, pp. 178–192, 2024.
A. Muhaddisi, B. N. Prastowo, and D. U. Kusumaning Putri, “Sentiment Analysis With Sarcasm Detection On Politician’s Instagram,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 15, no. 4, p. 349, 2021, doi: 10.22146/ijccs.66375.
