JITTER- Jurnal Ilmiah Teknologi dan Komputer Vol. 3, No. 2 Agustus 2022

ANALISIS SENTIMEN MASYARAKAT TERHADAP PELAKSANAAN LAYANAN KESEHATAN SELAMA MASA PANDEMI DI INDONESIA MENGGUNAKAN TEKNOLOGI BIG DATA

Ni Nyoman Indri Wika Astutia1, I Made Agus Dwi Suarjayaa2, I Made Sunia Raharjab3 1,2,3Program Studi Teknologi Informasi, Fakultas Teknik, universitas Udayana e-mail: 1wikaastuti@student.unud.ac.id, 2 agussuarjaya@it.unud.ac.id, 3sunia.raharja@unud.ac.id

Abstrak

Coronavirus Disease 2019 (COVID-19) merupakan penyakit infeksi saluran pernapasan yang disebabkan oleh coronavirus. COVID-19 dinyatakan sebagai pandemi oleh WHO (World Health Organization) pada 9 Maret 2020 karena persebarannya yang sangat cepat. Peningkatan kebutuhan layanan kesehatan di masa pandemi memberikan dampak terhadap kualitas pelayanan yang diberikan, berdasarkan hal tersebut evaluasi dan monitoring layanan perlu dilakukan untuk menjaga dan meningkatkan kepuasan masyarakat terkait penyelenggaraan layanan agar sesuai dengan kebutuhan dan tuntutan dari masyarakat. Penelitian ini dilakukan untuk mengetahui tingkat kepuasan masyarakat terkait penyelenggaraan layanan kesehatan yang diberikan berdasarkan sentimen masyarakat pada platform sosial media Twitter. Penelitian ini menggunakan metode pembobotan kata TF-IDF dan juga algoritma klasifikasi K-Nearest Neighbor (K-NN), dimana terdapat tiga kelas klasifikasi yang terdiri dari negatif, netral dan positif. Jumlah data Twitter yang digunakan yaitu sebanyak 2.507.349 data dan 4.200 data sebagai data latih (data training). Hasil analisis sentimen menunjukkan bahwa data yang terklasifikasi dalam sentimen negatif sebanyak 23.35% data sedangkan sentimen netral sebanyak 49.76% data dan sentimen positif sebanyak 26.89% data. Nilai akurasi tertinggi yang dihasilkan dari klasifikasi sentimen menggunakan algoritma K-NN yaitu sebesar 76.19% dengan parameter nilai k=7.

Kata kunci: Analisis sentimen, K-NN, Layanan Kesehatan, TF-IDF, Twitter

Abstract

Coronavirus Disease 2019 (COVID-19) is a respiratory tract infection caused by coronavirus. COVID-19 was declared a pandemic by the WHO (World Health Organization) on March 9, 2020 due to very fast transmission. The increasing community’s need for health services during the pandemic has an impact on the quality of services provided, based on this evaluation and monitoring of services needs to be carried out to maintain and increase community satisfaction regarding service delivery to suit the needs and demands of the community. This study was conducted to determine the level of community satisfaction with the health services provided based on public sentiment on the Twitter social media platform. Method used in this study is TF-IDF word weighting method and also K-Nearest Neighbor (K-NN) algorithm to classifying sentiments. Public sentiment will be classified int 3 classes of sentiment namely negative, neutral and positive. The amount of Twitter data used in this study is 2.507.349 data and 4.200 data as training data. The results of sentiment analysis show that data classified as negative sentiment is 23.35% data, while neutral sentiment is 49.76% data and positive sentiment is 26.89% data. The highest accuracy value obtained from sentiment classification using K-NN algorithm is 76.19% with a parameter value of k=7.

Keywords: Sentiment analysis, K-NN, Health Services, TF-IDF, Twitter

  • 1.    Pendahuluan

Fasilitas kesehatan memiliki peranan yang sangat penting di masa pandemi dalam melakukan upaya prevensi, deteksi dan respon dalam pencegahan dan pengendalian

persebaran virus COVID-19 di lingkungan individu, keluarga maupun masyarakat [1]. Meningkatnya kebutuhan layanan kesehatan masyarakat di masa pandemi khususnya layanan rumah sakit, puskesmas, jaminan kesehatan dan vaksinasi memberikan dampak yang besar bagi penyelenggaraan layanan kesehatan yang diberikan kepada masyarakat. Evaluasi layanan dirasa perlu dilakukan untuk mengetahui kepuasan dan kualitas layanan yang diberikan serta adanya tuntutan masyarakat yang meningkat dari waktu, sehingga dapat memberikan layanan yang memenuhi kebutuhan dan tuntutan masyarakat dengan efektif dan efisien [2].

Twitter merupakan platform media sosial yang banyak digunakan Indonesia saat ini, dimana telah termasuk ke dalam 6 negara terbesar yang menggunakan Twitter secara aktif yakni sebanyak 15,7 juta pengguna [3]. Twitter juga memiliki keterbukaan data melalui API (Application Programming Interface) yang memungkinkan pengembang pihak ketiga untuk mengembangkan program [4]. Big data merupakan istilah yang digunakan pada kumpulan data yang berukuran sangat besar dan kompleks sehingga untuk pengolahan datanya diperlukan dikelola menggunakan suatu metode tertentu sehingga menghasilkan informasi baru [5]. Analisis sentimen merupakan salah satu pengimplementasian big data yang dilakukan untuk mengenali dan mengekstrak suatu opini dalam bentuk teks. Analisis sentimen dapat dimanfaatkan untuk mengetahui tanggapan masyarakat terhadap suatu produk/jasa maupun topik, sehingga dapat membantu dalam melakukan pengambilan keputusan [6].

Penelitian yang sebelumnya telah dilakukan menunjukkan bahwa pemanfaatan big data dapat digunakan untuk mengidentifikasi ujaran kebencian terhadap tokoh menggunakan data Twitter dan algoritma K-NN [7], melakukan analisis sentimen terhadap penggunaan layanan BPJS menggunakan data Twitter dan algoritma K-NN [8], melakukan klasifikasi review pengguna aplikasi mobile menggunakan data Google Play dan algoritma CNN [9] serta analisis sentimen terhadap layanan transportasi online dengan menggunakan data media sosial seperti Twitter, Youtube Google Search dan di analisis dengan menggunakan Google Machine Learning [10].

Penelitian yang berjudul Analisis Sentimen Masyarakat Terhadap Pelaksanaan Layanan Kesehatan Selama Masa Pandemi di Indonesia Menggunakan Teknologi Big Data adalah penelitian yang dilakukan untuk mengetahui sentimen masyarakat terhadap penyelenggaraan layanan kesehatan di masa pandemi, sehingga hasilnya dapat dijadikan sebagai tolok ukur dan bahan evaluasi terhadap kinerja layanan kesehatan di Indonesia. Pengklasifikasian sentimen dilakukan menggunakan algoritma klasifikasi K-Nearest Neighbor (K-NN) kedalam tiga kelas yang terdiri dari sentimen positif, netral dan negatif.

  • 2.    Metode Penelitian

Metode penelitian yang digunakan pada penelitian ini dapat digambarkan pada gambaran umum dan alur penelitian yang dapat dilihat sebagai berikut.

  • 2.1.    Gambaran Umum

Gambaran umum yang digunakan pada penelitian yang dilakukan dapat dilihat pada Gambar 1.

Gambar 1. menunjukan gambaran umum yang digunakan pada penelitian yang dilakukan. Tahap pertama adalah crawling data yang dilakukan melalui Twitter API berdasarkan keyword. Data Twitter yang berhasil diperoleh kemudian disimpan pada database sebagai data mentah. Tahapan selanjutnya adalah pembuatan data training dengan melakukan pelabelan secara manual dari data Twitter yang diperoleh, kemudian data training yang sudah diberi label disimpan kembali ke dalam database. Data training berlabel dan seluruh data Twitter dibersihkan pada tahap pre-processing terdiri dari cleansing data, case folding, tokenizing, normalisasi, stopword dan stemming. Data bersih yang dihasilkan pada pre-processing disimpan ke dalam database dan dianalisis menggunakan algoritma KNN. Data hasil klasifikasi kemudian divisualisasikan dengan menggunakan Tableau.

  • 2.2.    Alur Penelitian

Alur penelitian menjelaskan tahapan proses yang dilakukan dalam penelitian yang dapat dilihat pada pada Gambar 2.

Gambar 2. Alur Penelitian

Gambar 2. menunjukkan alur yang digunakan dalam penelitian yang dilakukan. Alur penelitian yang digunakan terdiri dari studi literatur terkait penelitian yang, pengumpulan data yang dapat dijelaskan pada Gambar 3, labeling data yang dapat dijelaskan pada Gambar 4, pre-processing yang dapat dijelaskan pada Gambar 5, analisis data yang dibagi menjadi 2 tahapan yaitu tahap pembuatan dan pengujian model yang dapat dijelaskan pada Gambar 6 dan tahap pengimplementasian model yang dapat dijelaskan pada Gambar 7, serta visualisasi data yang dapat dijelaskan pada Gambar 8.

Gambar 3. Alur Proses Pengumpulan Data

Gambar 4. Alur Proses Pelabelan Data

Gambar 6. Alur Proses Pembuatan dan Pengujian Model

Gambar 7. Alur Proses Pengimplementasian Model

Gambar 8. Alur Proses Visualisasi Data

  • 3.    Kajian Pustaka

Kajian Pustaka yang digunakan sebagai acuan dari penelitian yang dilakukan dapat dijabarkan sebagai berikut.

  • 3.1.    Analisis Sentimen

Analisis sentimen atau opinion mining merupakan suatu proses yang digunakan untuk menganalisis dan mengekstrak data tekstual berupa opini, sikap, evaluasi, penilaian, emosi atau sentimen seseorang terhadap produk, tokoh, merek, organisasi, pemerintah, layanan, politik, perusahan dan masalah [11]. Analisis sentimen digunakan untuk menentukan ekspresi sentimen yang terdapat pada sebuah kalimat baik sentimen positif, negatif maupun netral yang dapat dilakukan menggunakan pendekatan machine learning dengan melakukan training data yang sudah diberi label pada algoritma klasifikasi [12].

  • 3.2.    Teks Pre-Processing

Pre-processing adalah proses awal yang yang harus dilakukan pada dokumen teks sebelum dilakukan proses analisa data yang bertujuan untuk mengubah data input ke dalam format yang sesuai untuk proses analisa selanjutnya [13]. Tahapan pre-processing terdiri dari beberapa tahapan yaitu.

  • a.    Cleansing data untuk membersihkan atribut data yang tidak diperlukan seperti URL, hashtag (#), username, angka, emoticon, simbol dan karakter selain alfabet seperti ‘(‘,’.’,’/’,’,’, ‘ ” ’, ’-‘, ’/’, ’[‘, ’}’, ’+’, ’_’, ’!’,’)’, ‘%’, ‘&’, ‘<’, ‘>’, ‘+’, ‘*’ dan sebagainya karena dianggap tidak berhubungan dengan informasi [7].

  • b.    Case folding yang dilakukan untuk menyeragamkan bentuk huruf kedalam bentuk lowercase [13].

  • c.    Tokenizing dilakukan untuk memotong kalimat berdasarkan kata yang menyusunnya dengan menghilangkan delimiter yang dimiliki seperti whitespace, enter, tabulasi, spasi dan sebagainya sehingga menghasilkan kata yang berdiri sendiri. [14].

  • d.    Normalisasi merupakan tahapan yang dilakukan untuk mengubah bentuk kata pada teks kedalam bentuk yang lebih baku [7] .

  • e.    Stopword removal merupakan tahap penghilangan kata yang tidak diperlukan karena dianggap tidak mempengaruhi makna dan informasi yang terkandung dalam teks [13].

  • f.    Stemming merupakan tahapan yang dilakukan untuk menghilangkan imbuhan yang terdapat pada kata untuk mengembalikan kata kedalam bentuk kata dasarnya [13].

  • 3.3.    TF-IDF

TF-IDF adalah metode yang digunakan untuk menentukan seberapa jauh keterhubungan suatu kata terhadap dokumen dengan memberikan bobot pada setiap kata. Pembobotan kata menggunakan metode TF-IDF dilakukan dengan mengintegrasikan dua proses yang terdiri dari term frequency (TF) yang merupakan proses perhitungan jumlah kemunculan term pada suatu dokumen yang dapat diformulasikan pada persamaan (1) dan Inverse Document Frequency (IDF) yang merupakan proses perhitungan jumlah seluruh dokumen pada corpus yang mengandung term ke-i yang dapat diformulasikan pada persamaan (2), dimana untuk mendapatkan nilai bobot kata pada seluruh dokumen dapat diformulasikan pada persamaan (3) [15].

(1)

Nilai term ke – i dalam suatu dokumen ( tf' ) didapatkan dengan membagi frekuensi kemunculan term ke-i pada dokumen ke – j ( freq, (dj) ) dengan total term yang ada pada dokumen ke – j (⅛ι∕re9,(^)).

Idfi = log⅛

(2)


Hasil jumlah seluruh dokumen pada corpus yang mengandung term ke-i (^f1 ) didapatkan dengan perhitungan logaritma total dokumen pada corpus (D ) dibagi dengan jumlah dokumen yang mengandung term ke - i (•if).

W-W11 = tf,{d.). ufι

(3)


Nilai bobot term ke-i pada seluruh dokumen pada corpus (ldf% ) didapatkan dengan mengalikan nilai term ke – i pada suatu dokumen ( trM ) dengan jumlah seluruh dokumen pada corpus yang mengandung term ke – i ('dL )

  • 3.4.    K-Nearest Neighbor (K-NN)

K-Nearest Neighbor (KNN) merupakan algoritma yang termasuk kedalam jenis metode supervise learning yang dilakukan dengan melakukan pembelajaran data latih. Algoritma K-NN cukup populer digunakan dalam melakukan klasifikasi objek karena pengimplementasiannya yang cukup sederhana, efektif dan efisien, dimana penglasifikasiannya dilakukan berdasarkan jarak kemiripan nilai fitur pada data latih dengan kelas objek yang belum diketahui. Parameter nilai k pada algoritma K-NN menunjukkan jumlah tetangga terdekat yang dilibatkan dalam penentuan prediksi label kelas objek, dimana kelas dengan mayoritas tetangga terdekat akan terpilih sebagai kelas objek. [16]. Jarak tetangga terdekat dapat dihitung berdasarkan jarak euclidean yang dapat menginterpretasi kedekatan jarak antara dua objek [7]. Jarak euclidean dapat diperoleh dengan melakukan perhitungan pada persamaan (4).

d⅛.y) = √∑⅛=1(χi- yi)2


(2.4)


d(x,y} merupakan nilai jarak euclidean, r merupakan jumlah fitur data, merupakan nilai fitur ke – i data latih dan y. adalah nilai fitur ke – i pada data input.

  • 4.    Hasil dan Pembahasan

Hasil yang didapatkan dari penelitian akan dibahas berdasarkan proses pada gambaran umum yang dapat dijelaskan sebagai berikut.

  • 4.1    Hasil Pengumpulan Data

Data Twitter yang berhasil didapatkan pada proses crawling data Twitter melalui Twitter API yaitu sebanyak 2.507.349 data per tanggal 8 September 2021 sampai dengan 26 Maret 2022 yang kemudian disimpan kedalam database MongoDB.

  • 4.2.    Hasil Pelabelan Data Training

Pelabelan data training merupakan tahapan yang dilakukan untuk memperoleh data training yang dilakukan secara manual Hasil pelabelan data training dapat dilihat pada Tabel 1.

Tabel 1. Hasil Labeling Data Training

Tweet

Sentimen

@cochocuy Rumah sakit juga pelayanan nya jelek. Klo ke rumah sakit cuma pake daster dilayaninnya ogah2an sama susternya mana cemberut juga lagi @collegemenfess Rumah sakit, sampe skrg ttgga ku benci rumah sakit itu pelayanan nya macam sampah, mau ngelaporin ke pihak berwajib tp keluarga gaada yg'berani'

negatif

negatif

@sahaldiningrat @CNNIndonesia Saya juga peserta BPJS mas.. BPJS memang bagus, saya dulu pernah di rawat di rumah sakit Vaidam Health, rawat inap. Pelayanan nya cepat. Tidak 5 hari langsung di suruh pulang. Soalnya saya operasi kanker. Pasca operasi perlu di observasi. BPJS memang top mankotop.

positif

@Kimberley20101 Saya urus sepupu saya di rumah sakit Sardjito. Pelayanan gak ribet, gak harus ke sana kemari, termasuk kebutuhan darah juga. Hampir sebulan di RS, keluar total biaya sekitar 120juta. Cukup serahkan lembar kertas yg dari awal diberi oleh BPJS Kes, pulang tanpa bayar apa-apa

positif

@hyggedey Kak mau tanya kalo bpjs tuh psikolognya harus ke faskes 1 dulu ya? Faskesku bukan puskesmas sih jadi gaada yang poli kejiwaan(?) gitu...

@itsokifurnot Rapid Antigen dapat dilakukan via Stasiun KA yang melayani. Dapat juga dilakukan pd fasilitas kesehatan seperti Rumah sakit, Puskesmas, dan Klinik yang tersedia Rapid Antigen. Pastikan fasilitas kesehatan terintergrasi oleh sistem NAR (New All Record) Kemenkes.

netral

netral

Tabel 1. menunjukkan tampilan data training yang berhasil diperoleh. adapun jumlah data training yang berhasil dikumpulkan yaitu sebanyak 4.200 data yang diklasifikasi ke dalam sentimen positif, netral dan negatif.

  • 4.3    Hasil Pre-Processing

Pre-processing merupakan tahap persiapan data sebelum dilanjutkan ke tahap analisis data. Persiapan yang dimaksud biasanya dilakukan dengan melakukan pembersihan dan penyeragaman bentuk kata. Hasil pre-processing yang berhasil dilakukan dapat dilihat pada Tabel 2.

Tabel 2. Hasil Pre-Processing Data

Proses

Teks

Hasil

Cleansing data

@abcdefbby_ oh puskesmas gratis kalau org itu melakukan kontak dengan Orang positif nder, kalau mau di Klinik Mitra Medika, jln sultan agung no 21.(terjangkau)

oh puskesmas gratis kalau org itu melakukan kontak dengan Orang positif nder kalau mau di Klinik Mitra Medika jln sultan agung no terjangkau

Case folding

oh puskesmas gratis kalau org itu melakukan    kontak dengan Orang

positif nder     kalau mau di Klinik Mitra

oh puskesmas gratis kalau org itu melakukan kontak dengan orang positif nder kalau mau di klinik mitra

Proses

Teks

Hasil

Medika     jln     sultan agung no

terjangkau

medika jln sultan agung     no

terjangkau

Tokenizing

oh puskesmas gratis kalau org itu melakukan kontak dengan orang positif nder kalau mau di klinik mitra medika jln sultan agung no terjangkau

'oh', 'puskesmas', 'gratis',   'kalau',

'org', 'itu', 'melakukan', 'kontak', 'dengan', 'orang',   'positif', 'nder',

'kalau', 'mau', 'di', 'klinik', 'mitra', 'medika', 'jln', 'sultan', 'agung', 'no', 'terjangkau'

Normalisasi

'oh', 'puskesmas', 'gratis', 'kalau', 'org', 'itu', 'melakukan', 'kontak', 'dengan', 'orang', 'positif', 'nder', 'kalau', 'mau', 'di', 'klinik', 'mitra', 'medika', 'jln', 'sultan', 'agung', 'no', 'terjangkau'

'oh', 'puskesmas', 'gratis', 'kalau', 'orang', 'itu', 'melakukan', 'kontak', 'dengan', 'orang', 'positif', 'kak', 'kalau', 'mau', 'di', 'klinik', 'mitra', 'medika', 'jalan', 'sultan', 'agung', 'nomor', 'terjangkau'

Stopword removal

'oh', 'puskesmas', 'gratis', 'kalau', 'orang', 'itu', 'melakukan',    'kontak',

'dengan', 'orang', 'positif', 'kak', 'kalau', 'mau', 'di', 'klinik', 'mitra', 'medika', 'jalan', 'sultan', 'agung', 'nomor', 'terjangkau'

'puskesmas',     'gratis',      'orang',

'melakukan', 'kontak', 'orang', 'positif', 'kak', 'klinik', 'mitra', 'medika', 'jalan', 'sultan', 'agung', 'nomor', 'terjangkau'

Setmming

'puskesmas',       'gratis',       'orang',

'melakukan', 'kontak', 'orang', 'positif', 'kak', 'klinik', 'mitra', 'medika', 'jalan', 'sultan', 'agung', 'nomor', 'terjangkau'

puskesmas gratis orang laku kontak puskesmas gratis orang laku kontak orang positif kak klinik mitra medika jalan sultan agung nomor jangkau

  • 4.4.    Hasil Analisis Data

Proses analisis data terdiri dari tiga tahap yaitu pembobotan kata, pembuatan dan pengujian model dan implementasi model yang dapat dijelaskan sebagai berikut.

  • 4.4.1.    Pembobotan TF-IDF

Pembobotan kata (term) merupakan tahap perhitungan bobot kata terhadap keterhubungan suatu kata pada seluruh dokumen pada corpus. Contoh kalkulasi TF-IDF yang dilakukan pada 3 dokumen yaitu sebagai berikut.

Data Twitter bersih:

malas banget vaksin puskesmas bingung muter

vaksin aman halal

jadwal vaksin virus puskesmas

Tabel 3. Hasil Kalkulasi TF-IDF

Kata

TF

DF

IDF

TF-IDF

—

D1

D2

D3

—

D1

D2

D3

aman

0.000

0.125

0.000

1

0.477

0

0.652491

0

banget

0.125

0.000

0.000

1

0.477

0.450504

0

0

bingung

0.125

0.000

0.000

1

0.477

0.450504

0

0

halal

0.000

0.125

0.000

1

0.477

0

0.652491

0

jadwal

0.000

0.000

0.125

1

0.477

0

0

0.584483

malas

0.125

0.000

0.000

1

0.477

0.450504

0

0

muter

0.125

0.000

0.000

1

0.477

0.450504

0

0

puskesmas

0.125

0.000

0.125

2

0.176

0.342620

0

0.444514

vaksin

0.125

0.125

0.125

3

0.000

0.266075

0.385372

0.345205

virus

0.000

0.000

0.125

1

0.477

0.000000

0.000000

0.584483

  • 4.4.2.    Pembuatan dan Pengujian Model

Pembuatan dan pengujian model dilakukan untuk mengetahui parameter nilai K terbaik

untuk melakukan klasifikasi data pada algoritma KNN. Hasil uji akurasi dari skenario pengujian yang digunakan dapat dilihat pada Tabel 4.

Tabel 4. Hasil Uji Akurasi Parameter

Nilai K

Accuracy

Precision

Recall

4

69.05%

69.05%

69.05%

5

71.43%

71.43%

71.43%

7

76.19%

76.19%

76.19%

10

73.81%

73.81%

73.81%

Tabel 4. menunjukkan hasil uji akurasi algoritma KNN pada data training yang berjumlah 4.200 data. Pengujian dilakukan dengan menggunakan metode split data untuk membagi data dengan perbandingan 0.01. Hasil pengujian menunjukkan model klasifikasi terbaik yang dihasilkan dengan menggunakan parameter nilai K = 7 dengan nilai akurasi 76.19%

  • 4.5.    Hasil Visualisasi

Visualisasi data merupakan proses perubahan bentuk data kedalam bentuk grafik sehingga dapat memberikan pemahaman yang lebih mendalam terhadap hasil analisis. Visualisasi data hasil analisis sentimen dilakukan ke dalam bentuk diagram batang (bar) yang dapat dilihat pada Gambar 9, maps digunakan untuk menggambarkan wilayah provinsi yang memiliki perolehan sentimen negatif, netral maupun positif terbanyak di Indonesia yang dapat dilihat pada Gambar 10 dan word cloud yang digunakan untuk mengetahui topik perbincangan yang banyak mendapatkan sentimen negatif maupun positif dari masyarakat yang dapat dilihat pada Gambar 11.

Visualisasi Sentimen Bentuk Bar Visualisasi Hasil Analisis Sentimen Per Bulan Bentuk Bar

(a)                                                  (b)

Gambar 9. Hasil Visualisasi Sentimen Bentuk Bar

Gambar 9(a). menunjukan visualisasi hasil analisis sentimen yang didapatkan, dimana sebanyak 627.605 data diklasifikasikan sebagai kelas negatif, 1.334.228 sebagai kelas netral dan 722.562 sebagai kelas positif. Gambar 9(b). menunjukkan visualisasi jumlah sentimen setiap bulannya dimana jumlah sentimen negatif terbanyak terdapat pada bulan Oktober 2021 yaitu sebanyak 4.571%, jumlah sentimen netral terbanyak terdapat pada bulan Oktober 2021 yaitu sebanyak 10.245%, dan jumlah sentimen positif terbanyak terdapat pada bulan Januari 2022 yaitu sebanyak 5.437%.

(a)


(b)


(c)


Gambar 10. Hasil Visualisasi Sentimen Bentuk Maps

Gambar 10. menunjukkan visualisasi hasil analisis sentimen yang ditampilkan berdasarkan wilayah provinsi di Indonesia. Gradien warna yang ditampilkan pada gambar menunjukkan jumlah jumlah sentimen yang ada pada wilayah tersebut. Gambar 10(a). menunjukkan hasil visualisasi data dengan sentimen negatif, dimana pada hasil analisis wilayah dengan jumlah sentimen negatif terbanyak terdapat pada wilayah Kota DKI Jakarta dengan jumlah data sebanyak 28.827 data. Gambar 10(b). menunjukkan hasil visualisasi data dengan sentimen netral, dimana pada hasil analisis wilayah dengan jumlah sentimen netral terbanyak terdapat pada wilayah Kota DKI Jakarta dengan jumlah data sebanyak 72.411 data. Gambar 10(c). menunjukkan hasil visualisasi data dengan sentimen positif, dimana pada hasil analisis wilayah dengan jumlah sentimen positif terbanyak terdapat pada wilayah Kota DKI Jakarta dengan jumlah data sebanyak 41.783 data.


.-,, i takut


3 benar negara


ikut


"'"'uM^perintal1                . bpjsguπarasavirus7

banget ∣ndo∏c⅛∣a‘vaksinsakit keπaorang senyap masukrakyat habis


(a)

7                    „I li.jl.ll ,             hasil

, αrat∣s terima                        .

Uwvcin bintik ‘         y∣oL∣3 dokter                , ∏ar∣p∣ogram

kasιβ∣i∏<1u∏gomicro∏pu kesmasSβh≡t i tmπt'π‰l.,1r,tjokov tahu


ibuboostersakit                .

KSI

∣lg PakaianakmakiinMiBK! obat P'i∣n∣ρ∏∣∣      jalan



∩ptrvιrus∣


masyarakat

: ■ bpjs


(b)


Gambar 11. Visualisasi Sentimen Bentuk Word Cloud


Gambar 11. menunjukkan visualisasi word cloud terhadap data klasifikasi sentimen yang dihasilkan dari proses analisis selama periode 8 September 2021 hingga 26 Maret 2022.


Gambar 11(a). menunjukkan hasil visualisasi word cloud kelas sentimen negatif. Hasil visualisasi word cloud yang didapat kemudian dianalisis berdasarkan keterhubungan kata untuk mengetahui topik yang banyak dibahas yang dapat dilihat pada Tabel 5.

Tabel 5. Topik Pada Kelas Sentimen Negatif

Kata

Jumlah Tweet

Topik

Vaksin

535.497

Masyarakat yang mengeluhkan efek yang dialami pasca melakukan vaksinasi COVID-19 (KIPI)

Virus

71.167

Rasa

28.648

Benar

29.613

Sakit Banget Habis

93.271

36.691

32.450

Efek

15.020

Tangan

14.150

Paksa

21.294

Masyarakat mengeluhkan himbauan vaksinasi yang terkesan memaksa masyarakat melakukan vaksinasi

Ikut

20.056

BPJS

36.395

Penerapan BPJS sebagai syarat administrasi layanan publik

Tabel 5. menjelaskan mengenai topik yang banyak dibahas pada kelas sentimen negatif. Topik yang banyak mendapatkan sentimen negatif dari masyarakat yaitu terkait gejala yang dialami masyarakat penerima vaksin atau sering disebut dengan Kejadian Ikutan Pasca Imunisasi (KIPI), dimana gejala KIPI merupakan reaksi yang diberikan tubuh terhadap vaksin yang diberikan untuk memberikan kekebalan tubuh dikutip dari unicef.org [17]. Topik terkait keluhan masyarakat terhadap KIPI yang dialami pasca vaksinasi banyak diperbincangkan mengingat pada masa pandemi pemerintah menghimbau pelaksanaan vaksinasi pada seluruh masyarakat Indonesia, namun banyak masyarakat yang mengeluhkan adanya efek samping yang dialami seperti pegal dan nyeri pada lengan area suntikan, pusing, mudah lelah, demam hingga muntah – muntah. Topik lainnya yang banyak mendapat sentimen negatif adalah terkait himbauan Ombudsman Republik Indonesia kepada masyarakat untuk wajib melakukan vaksinasi sehingga perlu dilakukan sosialisasi untuk mengedukasi masyarakat yang dikutip pada ombudsman.go.id [18]. Himbauan kepada masyarakat untuk melakukan vaksinasi mendapatkan sentimen negatif karena pada praktiknya masyarakat merasa terbebani dan terpaksa untuk melakukan vaksinasi dengan adanya razia vaksin maupun pembatasan ruang gerak masyarakat serta adanya masyarakat yang belum bisa menerima vaksin karena alasan penyakit bawaan maupun rentang waktu vaksin yang belum waktunya namun tetap diharuskan menerima vaksinasi, sehingga menyebabkan muncul petisi yang dibuat masyarakat untuk membatalkan kartu vaksinasi sebagai syarat administrasi yang dikutip adari liputan6.com [19]. Topik terkait adanya Instruksi Presiden (Inpes) yang membahas penerapan BPJS Kesehatan sebagai syarat administrasi guna mengoptimalisasi pelaksanaan program jaminan kesehatan dikutip dari cnnindonesia.com [20]. Penerapan BPJS sebagai syarat administrasi mendapatkan banyak tanggapan negatif dari masyarakat karena dinilai tidak ada keterhubungan antara proses administrasi dengan keikutsertaan BPJS serta hanya menyulitkan dan membebani masyarakat dalam menyelesaikan keperluan administrasi dan membayar tagihan BPJS.

Gambar 11 (b). menunjukkan hasil visualisasi word cloud kelas sentimen positif. Hasil visualisasi word cloud yang didapat kemudian dianalisis berdasarkan keterhubungan kata untuk mengetahui topik yang banyak dibahas yang dapat dilihat pada Tabel 6.

Tabel 6. Topik Pada Kelas Sentimen Positif

Kata

Jumlah Tweet

Topik

Vaksin

527.723

Pemberian Vaksinasi Booster COVID-19 Gratis

Virus

110.104

Booster Gratis

44.736

45.56

Pakai

61.200

Keringanan biaya bagi masyarakat pengguna fasilitas

Kata

Jumlah Tweet

Topik

BPJS

92.802

kesehatan dengan menggunakan BPJS Kesehatan

Rumah

65.898

Sakit

79.854

Puskesmas

32.305

Tabel 6. menjelaskan mengenai topik yang banyak dibahas pada kelas sentimen positif. Topik yang banyak mendapatkan sentimen positif dari masyarakat adalah terkait pemberian vaksin booster COVID-19 yang sebelumnya diinformasikan oleh Kemenkes RI [21]. Informasi terkait pemberian vaksin booster COVID-19 secara gratis banyak mendapat tanggapan positif dari masyarakat karena dinilai memberikan kemudahan bagi masyarakat yang ingin melakukan vaksinasi untuk meningkatkan kekebalan tubuh dan meningkatkan keyakinan masyarakat untuk melakukan vaksinasi. Topik lainnya yang banyak yang memberikan tanggapan positif adalah terkait keringan biaya yang diberikan kepada masyarakat pengguna fasilitas kesehatan dengan menggunakan BPJS Kesehatan yang dikutip dari cnbcindonesia.com [22]. Pengobatan gratis dengan menggunakan BPJS banyak disebut meringankan masyarakat untuk membayar tagihan rumah sakit maupun puskesmas, bahkan banyak masyarakat yang merasa beruntung memiliki BPJS karena bisa mendapatkan pelayanan kesehatan gratis. Topik terkait keringan biaya pelayanan kesehatan dengan menggunakan BPJS terus menjadi perbincangan dan meningkat pada masa pandemi. Banyak masyarakat yang mengeluhkan mengenai kondisi mental mereka selama masa pandemi dan memutuskan untuk mendapatkan pelayanan konsultasi psikolog dengan menggunakan jaminan BPJS dan mendapatkan pelayanan gratis.

  • 5.    Kesimpulan

Simpulan yang dapat diambil dari hasil yang diperoleh dari penelitian dapat dijelaskan sebagai berikut.

  • a.    Jumlah data yang digunakan dalam penelitian ini yaitu sebanyak 2.507.349 yang diperoleh sejak 8 September 2021 hingga 26 Maret 2022. Hasil yang diperoleh menunjukkan 23.35% data diklasifikasikan kedalam sentimen negatif, 49.76% data diklasifikasikan kedalam sentimen netral dan 26.89% data diklasifikasikan kedalam sentimen positif.

  • b.    Penelitian ini menggunakan metode TF-IDF untuk melakukan pembobotan kata dan algoritma K-Nearest Neighbor (KNN) untuk melakukan klasifikasi sentimen dengan tingkat akurasi tertinggi sebesar 76% dengan nilai parameter K = 7 pada data uji sebanyak 4.200 data.

  • c.    Klasifikasi sentimen dilakukan kedalam 3 kelas yang terdiri dari kelas sentimen negatif, netral dan positif, dimana perbandingan sentimen positif masyarakat lebih besar dibandingkan sentimen negatif masyarakat, Adapun topik yang banyak dibahas pada kelas sentimen positif adalah terkait penyelenggaraan vaksinasi booster COVID-19 secara gratis dan keringanan biaya bagi masyarakat pengguna fasilitas kesehatan dengan menggunakan BPJS Kesehatan, adapun topik yang banyak dibahas pada kelas sentimen negatif terkait dengan keluhan masyarakat terhadap efek yang dialami pasca pelaksanaan vaksinasi COVID-19 (KIPI) selain itu masyarakat juga mengeluhkan himbauan vaksinasi yang terkesan memaksa dan penerapan kebijakan penggunaan BPJS sebagai syarat administrasi layanan publik.

References

  • [1]    G. E. C. K. & A. A. R. Stefanny J. Pangoempia, “Analisis Pengaruh Pandemi Covid-19 Terhadap Pelayanan Kesehatan Di Puskesmas Ranotana Weru Dan Puskesmas Teling Atas Kota Manado,” Kesmas, vol. 10, no. 1, pp. 40–49, 2021.

  • [2]    R. Yayat, “Kualitas Pelayanan Publik Bidang Administrasi Kependudukan Di

Kecamatan Gamping,” J. Ilm. Magister Ilmu Adm., no. 2, pp. 56–65, 2017, [Online].

Available: http://eprints.uny.ac.id/17523/1/SKRIPSI FULL.pdf

  • [3]    V. A. Dihni, “Inilah 10 Negara dengan Pengguna Twitter Terbanyak, Ada Indonesia?,” Databoks, p. 2021, 2021, [Online]. Available: https://databoks.katadata.co.id/datapublish/2021/11/04/inilah-10-negara-dengan-pengguna-twitter-terbanyak-ada-indonesia

  • [4]    S. S. Salim and J. Mayary, “Analisis Sentimen Pengguna Twitter Terhadap Dompet Elektronik Dengan Metode Lexicon Based Dan K – Nearest Neighbor,” J. Ilm. Inform. Komput., vol. 25, no. 1, pp. 1–17, 2020, doi: 10.35760/ik.2020.v25i1.2411.

  • [5]    R. A. Wildan, R. A. Rajagede, and R. Rahmadi, “Analisis Sentimen Politik Berdasarkan Big Data dari Media Sosial Youtube : Sebuah Tinjauan Literatur,” Automata, vol. 2, 2021.

  • [6]    N. Fajriyah, W. Setiawan, E. Dewi, and T. Duha, “IMPLEMENTASI TEKNOLOGI BIG DATA DI ERA DIGITAL,” J. Inform., vol. 1, no. 1, pp. 1–7, 2022.

  • [7]    P. N. Lhokseumawe, K. Pengantar, rahayu deny danar dan alvi furwanti Alwie, A. B. Prasetio, and R. Andespa, Implementasi Metode K-Nearest Neighbor (K-Nn) Untuk Identifikasi Ujaran Kebencian Terhadap Tokoh Politik Pada Twitter, vol. 2, no. 1. 2019.

  • [8]    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, 2021, doi: 10.32493/informatika.v5i4.7622.

  • [9]    I. M. Mika Parwita and D. Siahaan, “Classification of Mobile Application Reviews using Word Embedding and Convolutional Neural Network,” Lontar Komput. J. Ilm. Teknol. Inf., vol. 10, no. 1, p. 1, 2019, doi: 10.24843/lkjiti.2019.v10.i01.p01.

  • [10]    D. A. Savita, I. K. G. D. Putra, and N. K. D. Rusjayanthi, “Public Sentiment Analysis of Online Transportation in Indonesia through Social Media Using Google Machine Learning,” J. Ilm. Merpati (Menara Penelit. Akad. Teknol. Informasi), vol. 9, no. 2, p. 153, 2021, doi: 10.24843/jim.2021.v09.i02.p06.

  • [11]    F. Sodik and I. Kharisudin, “Analisis Sentimen dengan SVM , NAIVE BAYES dan KNN untuk Studi Tanggapan Masyarakat Indonesia Terhadap Pandemi Covid-19 pada Media Sosial Twitter,” Prisma, vol. 4, pp. 628–634, 2021.

  • [12]    Y. Azhar, “Metode Lexicon-Learning Based Untuk Identifikasi Tweet Opini Berbahasa Indonesia,” J. Nas. Pendidik. Tek. Inform., vol. 6, no. 3, p. 237, 2018, doi: 10.23887/janapati.v6i3.11739.

  • [13]    I. Kurniawan and A. Susanto, “Implementasi Metode K-Means dan Naïve Bayes Classifier untuk Analisis Sentimen Pemilihan Presiden (Pilpres) 2019,” Eksplora Inform., vol. 9, no. 1, pp. 1–10, 2019, doi: 10.30864/eksplora.v9i1.237.

  • [14]    R. I. Pristiyanti, M. A. Fauzi, and L. Muflikhah, “Sentiment Analysis Peringkasan Review Film Menggunakan Metode Information Gain dan K-Nearest Neighbor,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 3, pp. 1179–1186, 2018, [Online]. Available: http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/1140

  • [15]    N. K. Widyasanti, I. K. G. D. Putra, and N. K. D. Rusjayanthi, “Seleksi Fitur Bobot Kata dengan Metode TFIDF untuk Ringkasan Bahasa Indonesia,” J. Ilm. Merpati (Menara Penelit. Akad. Teknol. Informasi), vol. 6, no. 2, p. 119, 2018, doi: 10.24843/jim.2018.v06.i02.p06.

  • [16]    I. M. A. S. Widiatmika, I. N. Piarsa, and A. F. Syafiandini, “Recognition of The Baby Footprint Characteristics Using Wavelet Method and K-Nearest Neighbor (K-NN),” Lontar Komput. J. Ilm. Teknol. Inf., vol. 12, no. 1, p. 41, 2021, doi: 10.24843/lkjiti.2021.v12.i01.p05.

  • [17]    UNICEF, “Hal-hal yang perlu diketahui sebelum, saat, dan setelah menerima vaksin COVID-19,” 2021. https://www.unicef.org/indonesia/id/coronavirus/hal-hal-yang-perlu-diketahui-sebelum-saat-dan-setelah-menerima-vaksin-covid-19?

gclid=Cj0KCQjwxveXBhDDARIsAI0Q0x3yBPAvNcYN1GI8Ju6LZYFv0YQ0BZTSz0XwA BEJe4KlV0a9tG5WnaUaAlTsEALw_wcB

https://www.kemkes.go.id/article/view/22011200002/vaksinasi-booster-gratis-dimulai-12-januari-2022.html