Analisis Sentimen Pola Pikir Masyarakat Indonesia Terkait Virus Covid-19 Dalam Media Sosial Twitter Menggunakan Metode Rule Based Leksikon

JITTER- Jurnal Ilmiah Teknologi dan Komputer Vol. 3, No. 1 April 2022

Analisis Sentimen Pola Pikir Masyarakat Indonesia Terkait Virus Covid-19 Dalam Media Sosial Twitter

Menggunakan Metode Rule Based Leksikon

Zuraida Malini Cantika Riskiyanti^a1, I Ketut Gede Darma Putra^a2, AA.Kt.Agung Cahyawan Wiranatha^a3

^aProgram Studi Teknologi Informasi, Fakultas Teknik, Universitas Udayana

Bukit Jimbaran, Bali, Indonesia, telp. (0361) 701806

e-mail: ¹[email protected], ²[email protected],

³[email protected]

Abstrak

Virus Covid-19 telah berhasil membuat kekacauan dari berbagai sektor di seluruh penjuruh dunia. Tidak hanya memengaruhi kondisi fisik seseorang, tetapi juga memengaruhi kondisi psikologis pola pikir masyarakat Disisi lain pandemic Covid-19 juga berdampak pada tingginya penggunaan media sosial dikalangan masyarakat Indonesia. Opini-opini individu akan berbagai hal dituangkan di web dan dapat dukumpulkan menjadi data yang besar untuk diolah. Twitter API merupakan aplikasi yang diciptakan oleh pihak Twitter agar mempermudah pihak developer lain untuk mengakses Informasi web Twitter seperti data berjumlah besar yang digunakan pada penelitian ini. Rule Based Leksikon adalah metode klasifikasi yang memanfaatkan aturan-aturan (rule) untuk membedakan kelas yang satu dengan kelas yang lain dengan kelas kata sentimen positif, negatif, dan netral. Penelitian ini membahas hasil analisis sentimen pola pikir masyarakat Indonesia selama pandemi Covid-19 menggunakan metode klasifikasi Rule Based Leksikon dengan data yang bersumber dari media sosial Twitter sebanyak 4.068.464 data tweet yang memperoleh nilai akurasi rata-rata sebesar 81%, nilai precision 93 %, nilai recall 95 %, dan nilai f1score 83%. Hasil sentimen pola pikir terbanyak keseluruhan terdapat pada bulan Juli 2021 dengan 10.011 (23,53%) data tweet berklasifikasi sentimen positif bertopik PPKM di Provinsi Bangka Belitung, 8.629 (19,42%) berklasifikasi

sentimen netral bertopik PPKM di Provinsi Gorontalo, serta 4.216 (8,61%) berklasifikasi

sentimen negatif di Provinsi Bengkulu yang mengarah pada pola pikir konformitas toxic positivity.

Kata kunci: Analisis Sentimen, Covid-19, Psikologi Pola Pikir, Rule Based Leksikon, Twitter

Abstract

The Covid-19 virus has managed to wreak havoc in various sectors around the world. Not only does it affect a person's physical condition, but also affects the psychological condition of the people's mindset. On the other hand, the Covid-19 pandemic has also had an impact on the high use of social media among the Indonesian people. Individual opinions on various matters are expressed on the web and can be collected into big data for processing. Twitter API is an application created by Twitter to make it easier for other developers to access Twitter web information such as the large amount of data used in this research. Rule Based Lexicon is a classification method that utilizes rules to distinguish one class from another with positive, negative, and neutral sentiment word classes. This study discusses the results of the sentiment analysis of the mindset of the Indonesian people during the Covid-19 pandemic using the Rule Based Lexicon classification method with data sourced from Twitter social media as much as 4,068,464 tweet data which obtained an average accuracy value of 81%, a precision value of 93%, 95% recall value, and 83% f1 score. The results of the highest overall mindset sentiment were in July 2021 with 10,011 (23.53%) tweet data classified as positive sentiment on the topic of PPKM in Bangka Belitung Province, 8,629 (19.42%) classified as neutral sentiment on PPKM topic in Gorontalo Province, and 4,216 (8.61%) classified as negative sentiment in Bengkulu Province which leads to a toxic positivity conformity mindset.

Keywords: Sentiment Analysis, Covid-19, Mindset Psychology, Rule Based-Lexicon, Twitter

• 1.    Pendahuluan

Wabah dalam aspek kesehatan adalah hal yang sulit untuk dihindari dalam hidup ini. Virus merupakan penyakit yang sulit ditangani menggunakan obat, tapi dapat perlahan sembuh seiring dengan daya tahan tubuh yang kuat. Virus Covid-19 telah berhasil membuat kekacauan dari berbagai sektor di seluruh penjuruh dunia [9]. Perekonomian yang kacau dengan diberlakukannya lockdown di berbagai negara berhasil membuat pemerintahan dari setiap negara kewalahan [10]. Berbagai sektor lainnya pun ikut terkena dampak dari virus yang sangat sulit terdeteksi penyebarannya ini. Kombinasi manusia dan analisis komputerisasi otomatis membuat pemerintah atau lembaga bisa secara efektif mendeteksi siapapun. Microblogging adalah bagian media sosial yang memungkinkan penggunanya untuk menulis dan berbagi pesan singkat (280 karakter di Twitter) yang berisi opini, informasi, pertanyaan dan juga diskus. Status media sosial dan dokumen teks lainnya seperti blog, situs berita, dan email adalah teks bahasa alami [26].

Jumlah opini yang beragam akan menyulitkan dan memerlukan waktu untuk membaca secara keseluruhan. Pertukaran data secara elektronis seharusnya bersifat lest investment, dimana pelaku bisnis tidak perlu membeli peralatan baru sebagai infrastruktur untuk melakukan pertukaran data, dengan kata lain tetap menggunakan peralatan yang sudah tersedia [25]. Pengolahan pendapat/opini belakangan ini dikenal dengan text mining atau analisis sentimen. Sentiment Analysis merupakan cabang dari text classification yang bertujuan untuk mengklasifikasikan sentimen (opini) dari sebuah teks secara otomatis. Apakah teks mengandung opini negatif (negatif sentimen), opini positif (positif sentimen) atau netral (netral sentimen) [3]. Pendekatan statistik sudah banyak digunakan untuk menyelesaikan problem sentiment analysis saat ini. Metode yang sering digunakan pada sentiment analysis diantaranya Naïve Bayes, Support Vector Machine (SVM), dan Maximum Enthropy. Pendekatan Rule Based method menggunakan bantuan human expert berupa aturan (rule) yang digunakan untuk memisahkan data sesuai kelas masing-masing [3].

Semua kesulitan diberbagai sektor memicu adanya pemikiran negatif dari tiap individu. Tidak hanya memengaruhi kondisi fisik seseorang, tetapi juga memengaruhi kondisi psikologis pola pikir masyarakat [12]. Pemikiran-pemikiran negatif dari masyarakat ini diperparah dengan pemerintah yang kurang dapat menangani kesejahteraan masyarakat sehingga timbul teori-teori baru sesuai pola pikir masyarakat Indonesia. Pemikiran ini akan menjadi pedang bermata dua bagi sebagian masyarakat yang percaya dengan konspirasi berdasarkan nalar pola pikir mereka saat pandemi untuk menguak kebenaran dari apa yang mereka yakini. Disisi lain pandemic Covid-19 juga berdampak pada tingginya penggunaan media sosial dikalangan masyarakat Indonesia [14]. Sumber data Twitter berbahasa Indonesia dipilih karena penelitian dalam bahasa Indonesia belum banyak dilakukan [5]. Penelitian ini membantu menguak pemikiran masyarakat Indonesia selama pandemic Covid-19 dari kacamata analisis big data.

• 2.    Metode Penelitian

Penelitian menggunakan metode Rule Based Leksikon yang dimulai dengan tahapan analisis sentimen secara umum seperti tahap pengambilan data, pembersihan, proses data, dan visualisasi data.

• 2.1.    Gambaran Umum Penelitian

Implementasi Big Data dalam penulisan ini membutuhkan suatu gambaran umum yang dapat merepresentasikan data yang didapatkan untuk dianalisa secara umum. Gambaran umum Analisis Sentimen Pola Pikir Masyarakat Indonesia Terkait Virus Covid-19 Dalam Media Sosial Twitter Menggunakan Metode Rule Based Leksikon divisualisasikan pada Gambar 1.

Mengambil Data Tweet

1) Pengumpulan Data

Menyimpan Data Tweet JSON

Menyaring Data Tweet

Γ

Data Tweet Bersih

2) Pembersihan Data

4) Analisis Data Topik

I® Dljthθ∩ ∙*-Mengolah Data Tweet Bersih

Menyimpan Data Topik

Mengolah Data Tweet Bersih

Menyimpan Data Sentimen

3) Sentimen Data

Akses Data Source

5) Visualisasi

Data

Gambar 1. Gambaran Umum Penelitian

Gambaran umum penelitian memperlihatkan alur pengambilan data melalui sosial media Twitter, data yang telah diambil akan disimpan dalam MongoDB datastore, data yang disimpan berikutnya diproses ke tahap cleaning dan filtering serta analisis menggunakan kode Bahasa pemrograman Python. Data bersih yang telah mengalami proses cleaning dan analisis akan divisualisasi dalam bentuk beberapa grafik menggunakan Tableau.

• 2.2.    Diagram Metode Rule Based Leksikon

Diagram Metode Rule Based Leksikon merupakan diagram proses yang digunakan pada tahap processing data sehingga didapatkan hasil sesuai perhitungan. Diagram Metode Rule Based Leksikon dapat dilihat pada Gambar 2.

Gambar 2. Diagram Metode Rule Based Leksikon

Diagram proses metode Rule Based Leksikon dimulai dari input data tweet kata-kata setelah tokenizing. Selanjutnya dilakukan pengambilan keputusan dengan pertanyaan apakah masih ada kata yang akan di-tokenize, jika iya maka dilanjutkan ke pengambilan keputusan berikutnya jika tidak maka proses akan berhenti pada array nilai leksikon. Kondisi bila ada kata

yang belum di-tokenize adalah; jika ada kata bersentimen positif pada kamus positif leksikon maka diberikan nilai 1, jika tidak ada kata bersentimen positif & negatif pada kamus positif & negatif leksikon maka diberikan nilai 0, jika ada kata bersentimen negatif pada kamus negatif leksikon maka diberikan nilai -1.

• 3.      Studi Literatur

Studi Literatur atau Kajian Pustaka meliputi semua sumber yang dijadikan sebagai bahan rujukan dalam penelitian ini, beserta tahap perancangan penelitian yang dijabarkan sebagai berikut.

• 3.1.    Perancangan Data

Perancangan Data merupakan tahap perancangan proses pengumpulan kamus data list stopwords Bahasa Indonesia, emoticon parameter dan kamus data leksikon sebagai parameter kata klasifikasi emosi serta data tweet. Penelitian ini menggunakan list stopwords Bahasa Indonesia yang bersumber dari sebuah penelitian tesis yang menyediakan stoplist untuk Bahasa Indonesia. Stoplist yang diusulkan berasal dari hasil analisis frekuensi kata dalam Bahasa Indonesia [1]. Penelitian ini menggunakan emoticon parameter yang bersumber dari sebuah penelitian yang menyediakan emoticon parameter, Kamus emosikon ini juga diberi bobot yang akan menentukan perubahan bobot sentimen pada sebuah kalimat [2]. Kamus data leksikon menggunakana penelitian yang disusun menggunakan kumpulan kata-kata dari tweet bahasa Indonesia. InSet dibangun dengan memberi bobot secara manual pada setiap kata dan ditingkatkan dengan menambahkan kumpulan stemming dan sinonim yang menghasilkan sumber penelitian 3.609 kata positif dan 6.609 kata negatif dengan skor berkisar antara -5 dan +5 [4].

• 3.2.    Rule Based-Lexicon

Metode Lexicon-Rule Based merupakan kombinasi dari kedua metode yang bertujuan dari untuk meningkatkan hasil recall dari kedua metode [5]. Pendekatan berbasis leksikon merupakan salah satu metode pada sentimen analisis yang memanfaatkan kamus yang berisi daftar kata yang mengandung polaritas kata di dalamnya. Rule Based method merupakan metode klasifikasi yang memanfaatkan aturan-aturan (rule) untuk membedakan kelas yang satu dengan kelas yang lain. Rule dibuat berdasarkan karakter dari masing-masing kelas dan dinotasikan dalam bentuk “IF (kondisi) THEN (solusi)”. Dimana “IF” merupakan kondisi prasyarat (rule antecedant) yang terdiri dari satu atau lebih atribut tes, dimana tesnya bersifat logika. Sedangkan “THEN” merupakan konsekuen (rule consequent) yang berisi hasil prediksi kelas. Jika di dalam kalimat tersebut terdapat kata yang berupa opini, maka kalimat tersebut dianggap kalimat opini [5]. Misalnya untuk memisahkan data ke dalam kelas positif, negatif dan netral rule yang bisa digunakan adalah [3]:

• •   Jika jumlah frekuensi kemunculan kata bersentimen positif lebih banyak dari kata

bersentimen negatif, maka data digolongkan sebagai kelas positif.

• •   Jika jumlah frekuensi kemunculan kata bersentimen negatif lebih banyak dari kata

bersentimen positif, maka data digolongkan sebagai kelas negatif.

• •  Jika jumlah frekuensi kemunculan kata bersentimen positif sama dengan kata

bersentimen negatif, maka data digolongkan sebagai kelas netral.

• •   Jika tidak ditemukan kata bersentimen positif maupun kata bersentimen negatif pada

data, maka digolongkan sebagai kelas netral.

• 3.3.   Pengumpulan Data Tweet

Pengumpulan data yang digunakan sebagai data uji analisis sentimen adalah tahapan dari Pengumpulan data tweet. Data tweet ini berupa tweet dikumpulkan sosial media Twitter menggunakan filter bahasa Indonesia dan koordinat wilayah Indonesia. Struktur data tweet ini berupa format JSON yang kemudian disimpan pada database MongoDB.

• 3.4.    Pre-processing Data

Tahapan ini merupakan proses ekstraksi teks, dari data tidak terstruktur diubah menjadi data yang terstruktur agar bisa diolah lebih lanjut untuk proses klasifikasi. Tujuan dilakukannya pre-processing untuk mempersiapkan dokumen teks menjadi data yang siap diolah pada tahapan selanjutnya dan untuk mengurangi noise. Tahapan yang ada pada pre-processing adalah tokenizing (memotong kata), formalization (mengubah ke bentuk standar sesuai kamus KBBI), filtering (membuat stopword), stemming (mengubah ke bentuk dasar). Pada tahapan ini dilakukan proses pembersihan data dari noise dan mengubah data ke bentuk dasar-nya (kata dasar). Sesuai tujuan dari tahapan preprocessing yakni menormalisasi data dan mereduksi dimensi dari data, maka pada tahapan ini dilakukan proses cleansing, formalization dengan menggunakan kamus lokal, serta menghapus nama jalan dengan harapan dapat meningkatkan akurasi [3]. Penelitian ini menggunakan 5 tahapan pembersihan; data cleaning, lowering case, emoticon conversion, stemming, and stopwords data.

• 3.5.    Processing Data

Tahapan Processing dimulai dari input data tweet after pre-processing kemudian tokenizing kata unigram (1 suku kata) dan biagram (2 suku kata) dari data tweet yang diinputkan. Berikutnya dilakukan perhitungan peluang kata dan peluang kelas berdasarkan data tweet menggunakan metode Rule Based Leksikon, dan yang terakhir menampilkan hasil keluaran klasifikasi emosi berdasarkan nilai probabilitas tertinggi dari perhitungan probabilitas menggunakan metode Rule Based Leksikon. Setelah tokenizing, selanjutnya dilakukan pengambilan keputusan dengan pertanyaan apakah masih ada kata yang akan di-tokenize, jika iya maka dilanjutkan ke pengambilan keputusan berikutnya jika tidak maka proses akan berhenti pada array nilai leksikon. Kondisi bila ada kata yang belum di-tokenize adalah; jika ada kata bersentimen positif pada kamus positif leksikon maka diberikan nilai 1, jika tidak ada kata bersentimen positif & negatif pada kamus positif & negatif leksikon maka diberikan nilai 0, jika ada kata bersentimen negatif pada kamus negatif leksikon maka diberikan nilai -1.

• 3.6.    Visualisasi Data

Perancangan visualisasi data merupakan serangkaian tahapan dalam menampilkan hasil analisis data, yang mendeskripsikan mengenai diagram proses visualisasi data mengunakan tools Tableau yang dimulai dari import data dari database MongoDB, kemudian dilanjutkan dengan proses menambahkan measure latitude dan longitude untuk menentukan titik koordinat-nya, selanjutnya memilih filter dimensions berupa emotions text, place name, & country code, dan yang terakhir menampilkan hasil klasifikasi emosi pada sebaran wilayah Indonesia.

• 3.7.    Pengujian dan Validasi

Pengukuran kinerja dari sistem/ metode klasifikasi dilakukan dengan menghitung nilai accuracy, recall, precision, dan f1score. Perhitungan yang digunakan untuk menghitung nilai accuracy, recall, precision dan f1score ditunjukkan oleh rumus-rumus berikut.

Accuracy diperoleh dengan membandingkan jumlah data hasil klasifikasi (prediksi) yang sesuai dengan jumlah keseluruhan data. Semakin tinggi nilai akurasi yang diperoleh, maka hasil klasifikasi semakin baik [3,6].

Accuracy

Com ctly predi cted data Total of all data

(1)

Perhitungan persamaan Precision diperoleh dengan membandingkan jumlah data hasil klasifikasi yang relevan dan total jumlah data yang ditemukan pada kelas tertentu [3,6].

_    _{1 1} Amount Ofpredicted data class c correct

(2)

Precision = ----------------------------- Amount of data predj cted as c

Perhitungan persamaan Recall diperoleh dengan membandingkan jumlah data hasil klasifikasi yang relevan dan total data yang dianggap relevan [3,6].

(3)

F1score menjelaskan mengenai perhitungan yang bertujuan untuk menghitung mean ataun rata-rata dari Precision dan Recall [7,8].

_.             _   (P r⅛d≡ion-Re call')

(4)

Flscore. = 2 ≠ —-----------— (Preα a on + Recall)

Confusion Matrix adalah sebuah tabel yang dimana digunakan untuk menghitung performa model klasifikasi data uji [7,8]. Confusion Matrix dapat membantu analisis data dan membantu memetakan masing-masing kelas yang memiliki Precision dan Recall rendah. Confusion Matrix punya empat istilah:

• 1.  True Negative (TN): Model memprediksi data ada di kelas Negatif dan yang

sebenarnya data memang ada di kelas Negatif.

• 2.  True Positive (TP): Model memprediksi data ada di kelas Positif dan yang sebenarnya

data memang ada di kelas Positif.

• 3.  False Negative (FN): Model memprediksi data ada di kelas Negatif, namun yang

sebenarnya data ada di kelas Positif.

• 4.  False Positive (FP): Model memprediksi data ada di kelas Positif, namun yang

sebenarnya data ada di kelas Negatif.

• 4.     Hasil dan Pembahasan

Bagian hasil dan pembahasan ini berisi hasil analisis sentimen yang telah dilakukan berdasarkan hasil data yang telah diolah, divisualisasikan, dan diuji dengan beberapa metode validasi.

• 4.1.    Dataset

Data Tweet atau Data Testing diambil menggunakan Tweepy API, kemudian data disimpan dengan format JSON pada MongoDB database. Penelitian ini menggunakan tweet data yang diambil pada akhir Mei 2021 sampai pertengahan Desember 2021 selama pandemi Covid-19.

_id: object id <^l'∞bG2302S87SdeE0S2838e4S"j created.at; ⁴Tue Dun ©1 12:07:25 -⅛ΘΘΘ 2021" id: U55tS91023215712Θ2 id_str: "1393699102321971202" , _j "aduhh bsk ujian® full text: .         .   ^    "

^- bukan ujian kehidupan ya wk⅛wkwk truncated: false

Jd: Qbj sctld (^,'61572ffce50e80e85ac3ac06^,1)

id: 1399699162321971200

created-at: "Tue luπ 01 12:07:25 WBBG 2021"

fullJetf: "aduhh b⅞k uji uji hidup wkwk⅛k negatif' place: object

lang:"in"

Gambar 2. Sampel Data Tweets Sebelum & Sesudah Preprocessing dan Processing.

Gambar 2 menggambarkan sampel data tweet tanggal 1Juni 2021 dengan data collection berlokasi Indonesia. Disisi kiri gambar menunjukkan data mentah yang belum dibersihkan. Disisi kanan gambar menunjukkan data yang telah melalui preprocessing dan processing Ketika kata telah dipilah sehingga menghasilkan hasil sentimen leksikon negatif.

• 4.2.    Visualisasi Data

Hasil visualisasi data menggunakan bentuk Text Bubbles (Wordcloud), Lines, Maps, Stacked Bars, TreeMaps berdasarkan hasil data mulai dari Bulan Mei 2021 sampai Desember 2021 selama Pandemi Covid-19.

vaksinasi

Netral

ι‰ekono

Netriigajj

bencana

≡ppkm

vaksinasi =

ppkm

'Netr

Topic

H bencana H ekonomi H gaji kasus

H libur

H ppkm prokes

H psbb

H tatap muka

I umkm

H upah

H vaksinasi

H wfh

libur ■■

Positif ydj∣

Netral

libur umkm ^kasus NetraIPositif^pcV psbb Netral

ppkm ^gajl

Positif Negatifvaksinasi

■ . " wfh Negatif

Netrali ekonomi _H

„         PositifMfNegatifwatif:

Positif '

Netral

Pola Pikir Masyarakat Indonesia Terkait Covid-19 Bulan Mei s/d Desember 2021

(a)

Pola Pikir Masyarakat Indonesia Terkait Covid-19 Bulan Mei s/d Desember 2021

23,53%

Text Emotion H Negatif ■ Netrsl ■ Positif

H ⅞ £

10%

8,61%

7,27%

3,34%

1,70%

2,00%

-CTr

1,10%

August

September

(b)

Positif

Place-Name H Aceh ■ Bsli

EJ Bangka Belitung □ Banten H Bengkulu O Gorontalo ■ Jambi O Lampung H Papua ∏ Riau H Yogyakarta

Pola Pikir Masyarakat Indonesia Terkait Covid-19 Bulan Mei s/d Desember 2021

Netral

Negatif

3eng⅝⅛lι

(c)

Pola Pikir Masyarakat Indonesia Terkait Covid-19 Bulan Mei s/d Desember 2021

Month ofData Date

H May

I June ■ July

I August

I September H October I November H December

(d)

Pola Pikir Masyarakat Indonesia Terkait Covid-19 Bulan Mei s/d Desember 2021

(e)

Gambar 3. Visualisasi Data Tweet Sentimen Poal Pikir Masyarakat Indonesia.

Text Bubbles (Wordcloud) pada gambar 3 (a) menunjukkan topik yang paling sering dibahas dalam tweet terkait virus Covid-19. Pembahasan topik terbanyak ditandai dengan kata ukuran terbesar, kemudian diciutkan ke terkecil. PPKM mendominasi topik yang paling dipikirkan masyarakat Indonesia dengan tweet terbanyak pada Juli 2021 yang dilansir di laman berita kontan.co.id bahwa “Pemberlakuan Pembatasan Kegiatan Masyarakat Darurat (PPKM)” yang dimulai pada 3 Juli 2021, awalnya akan berakhir pada 20 Juli 2021[17]. Berikut diakhir pendataan, penulis masih menemukan bahwa peraturan PPKM terus mengalami perubahan hingga Desember 2021 yang diberitakan di laman berita cnnindonesia.com bahwa pemerintah memutuskan untuk tidak menerapkan PPKM level 3 pada periode Nataru di semua daerah. Selain itu, masih ada masyarakat Indonesia yang membahas peraturan PSBB yang telah diganti dengan PPKM. Dalam pembahasan PSBB, publik mencari perbedaan dengan PPKM. Sektor ekonomi selalu menjadi perbincangan hangat dari data yang diperoleh karena pada (28/7) katadata.co.id juga melaporkan bahwa IMF memperkirakan ekonomi Indonesia dan India akan paling menderita tahun ini di antara negara-negara G20. karena vaksinasi tertinggal ditulis oleh Said [24]. Rangkuman artikel ilmiah tersebut menjelaskan bahwa selama pandemi COVID-19 telah memicu krisis ekonomi global yang sangat mendadak yang memicu resesi ekonomi. Topik terkait ekonomi lainnya termasuk gaji, upah, dan ekonomi. Dilansir dari berbagai artikel laman berita (16/11) "Kenaikan Upah Minimum 1,09 Persen, Menteri Tenaga Kerja Klaim Klaim Upah Indonesia Tertinggi di Dunia" [18]. Vaksinasi merupakan tweet terbanyak kedua oleh masyarakat Indonesia, berdasarkan hasil visualisasi data penelitian ini. Dikutip dari laman repulika.co.id, vaksinasi COVID-19 Indonesia menduduki peringkat kelima dunia (4/08) [20]. Perubahan kebiasaan kerja seperti; wfh, wfo/ tatap muka, mobilitas juga menjadi perbincangan hangat di kalangan masyarakat Indonesia seperti dilansir berbagai laman berita; (29/6) “Pilihan PPKM Darurat: WFH 100% untuk sektor yang tidak penting, dilarang makan di luar” [17], (16/11) “WFO Wajib! Ini peraturan kerja terbaru PNS selama PPKM”, dan (13/12) “Hindari Lonjakan Covid-19, Pemerintah Atur Mobilitas”. Selain itu, pola pikir masyarakat Indonesia juga terkena dampak bencana yang mengiringi pandemi Covid-19.

Gambar 3 (b) menunjukkan visualisasi dari keseluruhan data topik sentimen dalam bentuk garis persentase. Persentase keseluruhan tweet topik sentimen mengungguli Juli 2021 dengan persentase 4,196%. Gambar Peta 3 (c) menggambarkan perolehan data topik sentimen terbanyak di Provinsi Gorontalo, Bengkulu, Bangka Belitung, Aceh, Riau di Negara Indonesia. Stacked Bars pada gambar 3 (d) menjelaskan bahwa perolehan tweet paling sentimental turun pada Juli 2021 dengan lebih dari 10 ribu tweet sentimen positif. Selain itu, Tree Maps 3 (e) memberikan penggambaran topik ppkm pada Juli 2021 yang merupakan topik terbanyak secara keseluruhan dengan visual bagan bagian terbesar. Topik sentimen secara keseluruhan paling banyak terjadi pada Juli 2021 dengan 10.011 tweet pada klasifikasi sentimen positif, 8.629 pada klasifikasi sentimen netral, dan 4.216 pada klasifikasi sentimen negatif.

Data menunjukkan bahwa dalam kurun waktu 8 bulan dari Mei hingga Desember, masyarakat Indonesia cenderung lebih banyak menggunakan pilihan kata dan emotikon positif yang mengarah pada pola pikir tidak sehat “Toxic Postivity Conformity” dalam menggunakan media sosial selama masa pandemi Covid-19. Dikutip dari laman kumparan.com yang ditulis Salsabila, mengutip dari beberapa sumber buku, konformitas merupakan salah satu jenis pengaruh sosial yang mengubah perilaku dan sikap individu agar sesuai dengan norma sosial yang berlaku. Beberapa alasan yang melatarbelakangi seseorang melakukan konformitas adalah; karena keinginan untuk disukai, ketakutan akan penolakan, dan keinginan untuk merasa benar [15]. Menurut Nurul Kusuma Hidayati, M.Psi., Psikolog [16], toxic positivity adalah ketika sikap positif kemudian digeneralisasikan ke semua situasi dan mengabaikan perasaan dan emosi negatif. Tidak terasa, didengar, bahkan tidak diakui", dalam kuliah online tentang toxic positivity dan kesehatan mental, Fakultas Psikologi UGM (26/3). Hal ini didukung oleh hasil survei pada tahun 2020, 69% masyarakat mengalami gangguan psikologis. masalah selama Covid-19 yang ditulis di halaman mediaindonesia.com (29/9) "Survei: 69% Orang Mengalami Masalah Psikologis Selama Covid-19" [22]. Tulisan dari halaman sumber berita bbc.com ditulis oleh Brown, J., peneliti untuk Microsoft mensurvei 476 orang dan menganalisis profil Twitter mereka untuk kata-kata depresi, gaya bicara, hubungan, dan emosi. Selanjutnya, mereka mengembangkan klasifikasi yang secara akurat memprediksi depresi sebelum menyebabkan gejala pada tujuh dari 10 kasus [23]. Penelitian analisis sentimen sebelumnya oleh Lailiyah, dkk [3] juga menunjukkan bahwa sebagian besar masyarakat Indonesia menyampaikan keluhan dengan menggunakan bahasa yang santun meskipun sebenarnya merasa kesal dan kecewa yang membuat kalimat tersebut mengandung lebih dari satu sentimen, atau ada sentimen ambigu di mana hal ini dapat mengubah sentimen kalimat. Sentimen kalimat negatif menjadi positif. Skripsi ini [3] juga memberikan informasi bahwa banyak ditemukan sarkasme dalam data pengaduan dari Twitter.

• 4.2.    Visualisasi Data

Data Testing dikumpulkan menggunakan Tweepy API, kemudian data disimpan dalam format JSON di database MongoDB. Pengujian data juga berisi data tweet yang telah melewati tahap preprocessing dan processing.

Tabel 1. Pengujian data tweet Twitter.

Kelas	Data Test	TPos	TNet	TNeg	Prediksi
Skenario 1	302	96	76	70	Positif
Skenario 2	602	189	147	145	Positif
Skenario 3	902	283	223	227	Positif
Skenario 4	1202	378	294	303	Positif
Skenario 5	1502	474	365	370	Positif

Hasil pengujian dengan menggunakan tabel confusion matrix menunjukkan bahwa beberapa kelas prediksi pengujian skenario 1 sampai 5 benar menunjukkan klasifikasi sentimen positif.

Tabel 2. Hasil pengujian data tweet Twitter.

	Skenario 1	Skenario 2	Skenario 3	Skenario 4	Skenario 5
Accuracy	004 %	80 %	81,Ξ6 %	01,1 %	80,4%
Precision	93%	9Ξ,9 %	93%	93,Ξ %	9Ξ,5 %
Recall	96 %	94%	94,3 %	94,5 %	9Ξ,5 %
F1score	0Ξ%	81,41%	83,Ξ8%	83,45%	8Ξ,35%

Berdasarkan Tabel 2, nilai akurasi yang diperoleh oleh sentimen leksikal bahasa Indonesia mencapai 81% untuk data dari media sosial Twitter. Hal ini membuktikan bahwa Metode Rule Based Lexicon cukup baik dalam hal penghitungan data tweet berbahasa Indonesia di media sosial Twitter. Hasil penelitian ini tentunya lebih baik dari penelitian sebelumnya oleh Lailiyah, dkk [3] yang diteliti menggunakan metode Rule Based dengan hasil tingkat sentimen leksikal bahasa Indonesia mencapai 65,4% untuk data dari Twitter. Hal yang membuat nilai akurasi lebih tinggi karena penelitian ini menggunakan kamus data penelitian leksikon [4] yang memiliki jumlah kamus data lebih banyak mencapai lebih dari sepuluh ribu kamus data leksikon sehingga lebih baik untuk proses pengklasifikasian data.

• 5.     Kesimpulan

Penelitian ini menggunakan data yang bersumber dari media sosial Twitter sebanyak 4.068.464 data tweet. Tweet tersebut selanjutnya diolah lalu diproses pengklasifikasian menggunakan metode Rule Based-Leksikon, maka hasil penelitian ini dibagi menjadi beberapa poin;

• 1.    Hasil sentimen pola pikir terbanyak keseluruhan ada pada bulan Juli 2021 dengan 10.011 (23,53%) data tweet pada klasifikasi sentimen positif bertopik PPKM di Provinsi Bangka Belitung, 8.629 (19,42%) pada klasifikasi sentimen netral bertopik PPKM di Provinsi Gorontalo, dan 4.216 (8,61%) pada klasifikasi sentimen negatif di Provinsi Bengkulu.

• 2.    Hasil visualisasi data topik tweet sentiment yang telah dilakukan menunjukkan hasil klasifikasi sentimen pada penelitian ini didominasi oleh sentimen tentang kebijakan PPKM dan Vaksinasi yang bernilai positif, netral, lalu kemudian negatif.

• 3.    Data menunjukkan dalam kurun waktu 8 bulan terhitung bulan Mei sampai dengan Desember 2021, masyarakat Indonesia cenderung lebih banyak menggunakan pilihan kata dan emotikon positif sehingga menunjukkan hasil masyarakat Indonesia memiliki pola pikir tidak sehat “Konformitas Toxic Positivity” yang menyebabkan mereka cenderung menggunakan pilihan kata dan emotikon positif untuk dinilai benar, disukai, dan diakui telah berhasil menekan emosi negatif dalam media sosial Twitter terkait Covid-19.

• 4.    Pengujian data testing menghasilkan nilai rata-rata nilai accuracy sebesar 81 %, nilai precision sebesar 93 %, nilai recall sebesar 95 %, dan nilai f1score sebesar 83%. Nilai akurasi lebih tinggi karena penelitian ini menggunakan kamus data leksikon lebih dari sepuluh ribu kamus data leksikon sehingga lebih baik untuk proses mengklasifikan datanya.

References

• [1]    Tala, F. (2003). A study of stemming effects on information retrieval in Bahasa Indonesia.

• [2]    Wahid, D. H.,  & Azhari, S.  N. (2016). Peringkasan sentimen esktraktif di twitter

menggunakan hybrid TF-IDF dan cosine similarity. IJCCS (Indonesian Journal of

Computing and Cybernetics Systems), 10(2), 207-218.

• [3]    Lailiyah, M. (2017). Sentiment Analysis Menggunakan Rule Based Method Pada Data Pengaduan Publik Berbasis Lexical Resources (Doctoral dissertation, Institut Teknologi Sepuluh Nopember).

• [4]    Koto, F., & Rahmaningtyas, G. Y. (2017, December). Inset lexicon: Evaluation of a word list for Indonesian sentiment analysis in microblogs. In 2017 International Conference on Asian Language Processing (IALP) (pp. 391-394). IEEE.

• [5]    Widyanto, Lutfi (2017) DETEKSI SUBJEKTIFITAS TEKS BERBAHASA INDONESIA

MENGGUNAKAN METODE LEXICON - RULE BASED. Undergraduate (S1) thesis,

University of Muhammadiyah Malang.

• [6]    Winarko, E. (2017). Sentimen analisis tweet berbahasa Indonesia dengan deep belief network. IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 11(2), 187198.

• [7]    Kusumasari, D., & Rafizan, O. (2018). Studi Implementasi Sistem Big Data untuk

Mendukung Kebijakan Komunikasi dan Informatika. Masyarakat Telematika Dan Informasi: Jurnal Penelitian Teknologi Informasi dan Komunikasi, 8(2), 81-96.

• [8]    Wulandari, D. A. P., Sudarma, M., & Paramaita, N. (2019). Pemanfaatan Big Data Media Sosial Dalam Menganalisa Kemenangan Pilkada. Majalah Ilmiah Teknologi Elektro, 18(1), 101-104.

• [9]    Wang, C. J., Ng, C. Y., & Brook, R. H. (2020). Response to COVID-19 in Taiwan: big data analytics, new technology, and proactive testing. Jama, 323(14), 1341-1342.

• [10]    Hamid, A. R. A. H. (2020). Social responsibility of medical journal: a concern for

COVID-19 pandemic. Medical Journal of Indonesia, 29(1), 1-3.

• [11]    Gupta, R. K., Vishwanath, A., & Yang, Y. (2020). COVID-19 Twitter dataset with latent

topics, sentiments and emotions attributes. arXiv e-prints, arXiv-2007.

• [12]    Herlambang, H., Saputra, N. E., Supian, S., Iranda, A., & Rahman, M. A. (2021). Studi

Deskriptif Tentang Dampak Covid-19 Terhadap Psikologis Pada Masyarakat Jambi. PSIKODIMENSIA, 20(1), 10-21.

• [13]    Sumitro, P. A. (2021). Analisis Sentimen Terhadap Vaksin Covid-19 di Indonesia pada

Twitter Menggunakan Metode Lexicon Based. J-ICOM-Jurnal Informatika dan Teknologi Komputer, 2(2), 50-56.

• [14]    Universitas Islam Indonesia, “Www.Uii.Ac.Id.”, 27 Juli 2021. [Online]. Available:

https://www.uii.ac.id/media-sosial-membawa-dampak-positif-dan-negatif/. Diakses pada 05 Desember 2021

• [15]    Salsabila, D., “Kumparan.Com”, 11 Desember 2021. [Online]. Available:

https://kumparan.com/diva-salsabila-2021/mengenal-konformitas-ikut-ikutan-atau-penyesuaian-1x5Iu2adncV/full. Diakses pada 12 Desember 2021

• [16]    Afifah D.,   “Psikologi.Ugm.Ac.Id.”,   26   Maret  2021. [Online]. Available:

https://psikologi.ugm.ac.id/kuliah-online-toxic-positivity-dan-kesehatan-mental/.     Diakses

pada 06 December 2021

• [17]    Hidayat,    K.,    “Kontan.Co.Id”,    29    Juni    2021.    [Online].    Available:

https://newssetup.kontan.co.id/news/opsi-ppkm-darurat-wfh-100-untuk-sektor-tak-penting-makan-di-tempat-dilarang. Diakses pada 06 Desember 2021

• [18]    Wahyudi, A.N., “Bisnis.Com”, 16 November 2021. [Online]. Available:

https://ekonomi.bisnis.com/read/20211116/12/1466774/kenaikan-upah-minimum-109-persen-menaker-klaim-upah-di-ri-tertinggi-di-dunia. Diakses pada 06 Desember 2021

• [19]    Kementerian Keuangan Republik Indonesia. “Www.Kemenkeu.Go.Id”, 27 September

2021. [Online]. Available: https://www.kemenkeu.go.id/publikasi/berita/pemerintah-terus-perkuat-umkm-melalui-berbagai-bentuk-bantuan/. Diakses pada 08 Desember 2021

• [20]    Azizah, N., “Republika.Co.Id”,   04 Oktober 2021. [Online]. Available:

https://www.republika.co.id/berita/r0gj51463/vaksinasi-covid19-indonesia-peringkat-kelima-dunia. Diakses pada 07 Desember 2021

• [21]    Antara.,     “Jpnn.Com”,     11     Agustus     2021.     [Online].     Available:

https://www.jpnn.com/news/pemda-mulai-mengizinkan-pembelajaran-tatap-muka-dan-wfo-ini-syaratnya. Diakses pada 05 Desember 2021

• [22]    Puspa, A., “Mediaindonesia.Com”, 29 September 2021. [Online]. Available:

https://mediaindonesia.com/humaniora/436215/survei-69-masyarakat-alami-masalah-psikologis-selama-covid-19. Diakses pada 06 Desember 2021

• [23]    Brown,     J.,     “Bbc.Com”,     16    Januari     2018.     [Online].    Available:

https://www.bbc.com/indonesia/vert-fut-42679432. Diakses pada 08 Desember 2021

• [24]    Said, A.,    A., “Katadata.Co.Id”, 28 Juli 2021. [Online]. Available:

https://katadata.co.id/agustiyanti/finansial/610150ede3554/imf-ramal-ekonomi-ri-paling-menderita-di-antara-negara-g20. Diakses pada 09 Desember 2021

• [25]    Hanafi, A., Sukarsa, I. M., & Wiranatha, A. A. K. A. C. (2017). Pertukaran data antar

database dengan menggunakan teknologi API. Lontar Komputer, 8(1), 22-30.

• [26]    Ermawati, M., & Buliali, J. L. (2018). Text Based Approach For Similar Traffic Incident

Detection from Twitter. Lontar Komputer: Jurnal Ilmiah Teknologi Informasi, 9(2), 63.