Analisis perubahan sentimen vaksinasi COVID-19 di Indonesia menggunakan metode Convolutional Neural Network (CNN)

Bilhaq, Muhammad Thariq Sabiq (2022) Analisis perubahan sentimen vaksinasi COVID-19 di Indonesia menggunakan metode Convolutional Neural Network (CNN). Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (110kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (209kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (101kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (158kB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (273kB) | Request a copy
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (463kB) | Request a copy
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (118kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9_daftarpustaka.pdf Restricted to Registered users only Download (188kB) | Request a copy

Abstract

Vaksinasi COVID-19 menjadi salah satu upaya dalam mencegah penularan COVID-19 sesuai dengan anjuran World Health Organization (WHO) dan didukung oleh pemerintah melalui Perpres 99 tahun 2020 dan Permenkes 2020. Sebagai bentuk respon dari program vaksinasi, masyarakat memberikan beragam opini pada Twitter. Dalam proses vaksinasi yang panjang ini, masih sedikit analisis feedback atau opini yang dilakukan secara seri waktu ( Time Series ) yang dapat menganalisis perubahan opini masyarakat dari fase ke fase. Pada penelitian ini akan dilakukan analisis perubahan sentimen secara Time Series menggunakan algoritma Convolutional Neural Network (CNN) untuk mencari model terbaik. Data yang didapat akan dilakukan pembobotan dengan metode FastText. Perubahan sentimen akan dibagi kedalam tiga fase dengan masing masing fase dilakukan percobaan sebanyak sembilan kali dengan tiga variasi epoch yaitu 10 epochs, 50 epochs, dan 100 epochs. Masing masing epochs dilakukan tiga variasi split data yaitu 80:20, 70:30, dan 60:40. Hasil penelitian menunjukan model dapat mencapai akurasi tertinggi hingga 87,7%. Hasil sentimen pada fase pertama memliki sentimen positif sebanyak 1454 negatif sebanyak 1541 dan memiliki tingkat kepercayaan analisis sebesar 82,2%. Hasil sentimen pada fase kedua memliki sentimen positif sebanyak 1379 negatif sebanyak 1265 dan memiliki tingkat kepercayaan analisis sebesar 87,7%. Hasil sentimen pada fase ketiga memliki sentimen positif sebanyak 1059 negatif sebanyak 872 dan memiliki tingkat kepercayaan analisis sebesar 84%.

Actions (login required)

View Item