ABSTRACT
Aplikasi Pedulilindungi adalah aplikasi yang dirancang Kementerian Komunikasi
Informatika dan Kementerian BUMN Indonesia untuk digunakan Kementerian Kesehatan dan
Gugus Tugas dalam mengatasi pandemi COVID-19.Dalam penelitian ini menggunakan teks
Bahasa Indonesia yang terdapat di aplikasi Pedulilidungi berupa ulasan komentar Opini
masyarakat yang terdapat di aplikasi pedulilindungi, tersebut dapat dimanfaatkan sebagai
bahan analisis sentiment untuk mengetahui masyarakat terhadap aplikasi Pedulilidungi apakah
positif atau negatif. Banyaknya ulasan komentar masyarakat yang diberikan kepada aplikasi ini
merupakan hal yang menarik untuk diolah menjadi suatu informasi. Pemanfaatan informasi
tersebut membutuhkan teknik analisis sehingga informasi yang dihasilkan dapat membantu
dalam mengatasi pandemi COVID-19 ini.
Metode yang digunakan pada penelitian ini adalah metode klasifikasi Naïve Bayes. Naïve
Bayes Classifier merupakan teknik pembelajaran algoritma teks mining yang memanfaatkan
metode probabilitas dan statistic. Metode ini gunakan untuk mengklasifikasikan ulasan
komentar yang diberikan masyarkat terhadap aplikasi pedulilindungi Komentar yang diberikan
pada aplikasi ini nantinya akan di klasifikasikan menjadi komentar positif, dan negatif.
Tujuan dilakukannya penelitian ini adalah untuk mengetahui seberapa besar komentar
positif dan negatif yang diberikan masyarakat terhadap aplikasi ini, sehingga nantinya akan
memudahkan pihakdalam memberikan kebijakan atau pengembangan aplikasi di masa depan.
1. PENDAHULUAN
Penyebaran virus corona di COVID-19, 2020). Akibat wabah tersebut,
Indonesia terus meningkat drastis sejak angka kematian di Indonesia cukup tinggi
diumumkannya kasus pertama pada 2 Maret dengan total 582 kematian dengan Case
2020. Pada bulan April, virus corona telah Fatality Rate (CFR) sebesar 8,9% pada 19
menyebar dan menginfeksi lebih dari 5.000 April 2020 (Kementerian Kesehatan RI,
orang (Satgas Percepatan Penanganan 2020). Persentase kematian akibat virus
Corona di Indonesia melebihi CFR global Kementerian Kesehatan dan Gugus Tugas
sebesar 5,85% pada 19 April 2020 dalam mengatasi pandemi COVID-19 ini.
(Worldometers, 2020). Apalagi jika melihat Aplikasi PeduliLindungi adalah
tren peningkatan penyebaran per hari dari 25 aplikasi yang dikembangkan untuk
Maret 2020 hingga 19 April 2020, rata-rata membantu instansi pemerintah terkait dalam
lebih dari 100 orang setiap hari positif melakukan pelacakan untuk menghentikan
terjangkit virus corona (Kemenkes, 2020). penyebaran Coronavirus Disease (COVID-
Jika dampak negatif pandemi berlanjut, 19). Aplikasi ini mengandalkan partisipasi
pemerintah memiliki tanggung jawab yang masyarakat untuk
lebih besar untuk menyelesaikan masalah saling membagikan data lokasinya saat
ini. Yang menjadi beban pemerintah adalah bepergian agar penelusuran riwayat kontak
pemerintah perlu mengambil tindakan atau dengan penderita COVID-19 dapat
merespon lebih keras untuk menyelesaikan dilakukan serta Pengguna aplikasi ini juga
masalah virus corona. Dalam kondisi akan mendapatkan notifikasi jika berada di
mendesak, Pemerintah perlu mengambil keramaian atau berada di zona merah, yaitu
langkah tanggap untuk menghasilkan area atau kelurahan yang sudah terdata
kebijakan berdasarkan data yang akurat. bahwa ada orang yang terinfeksi COVID-19
Memang, dari minggu kedua Maret hingga positif atau ada Pasien Dalam Pengawasan
minggu pertama April, Pemerintah Aplikasi Pedulilidungi ini disambut
mengeluarkan himbauan dini untuk baik oleh masyarakat dalam menangani
menghindari penyebaran virus, seperti COVID-19 ini. Pada Aplikasi Pedulilidungi
kebijakan jarak sosial dan kebijakan memungkinkan pengguna untuk memberi
pembatasan sosial skala besar (PSBB). ulasan tentang kepuasan pengguna terhadap
Namun, pemerintah menghadapi banyak aplikasi yang digunakan, hal ini bertujuan
kendala dalam menyikapi pandemi ini untuk mengevaluasi kinerja aplikasi
(Sekretaris Kabinet Republik Indonesia, sehingga dapat dilakukan perbaikan. Untuk
2020). Masalah utama yang dihadapi mengetahui hal tersebut perlu dilakukan
pemerintah Indonesia saat menyikapi dengan melakukan analisis sentiment.
pandemi tersebut antara lain adalah Analisis sentiment sendiri atau juga
ketidakmampuan pemerintah dalam biasa disebut dengan opinion mining adalah
mengelola informasi dan minimnya data salah satu bagian dari text mining. Bidang
yang dapat diakses publik terkait ini melakukan studi mengenai opini orang-
penyebaran corona (Djalante et al., 2020). orang, sentiment, evaluasi, tingkah laku dan
Minimnya informasi menyebabkan emosi ecara tekstual terhadap suatu entitas
kebingungan di antara masyarakat dan layanan, organisasi, individu, permasalahan,
Pemerintah sendiri di tingkat pusat dan topik, acara dan atribut-atributnya.
daerah. Oleh karena itu Kementerian Penggunaan analisis sentiment pada
Komunikasi Informatika dan Kementerian umumnya digunakan untuk menganalisis
BUMN Indonesia merancang aplikasi tentang suatu produk dalam meningkatkan
pedulilindungi untuk digunakan kualitas produk ke depannya. Dalam hal ini
Naïve Bayes Classifier merupakan metode Gambar 2.1 Naïve Bayes Classifier
klasifikasi yang berdasar pada teorema
Keterangan:
Bayes. Metode klasifikasi ini cocok
digunakan ketika jumlah masukan yang VMAP: semua kategori yang diujikan
sangat besar. Klasifikasi ini lebih disukai
Fakultas Teknik Informatika, STMIK NUSA MANDIRI
Jurnal TECHNO Nusa Mandiri, 29 November 2020
parsing,cleansing,Normalization,Case dan
3. HASIL DAN PEMBAHASAN Folding Sehingga dengan dilakukannya
tahapan proses tersebut dapat menghasilkan
klasifikasi yang baik.
3.1 Pengujian Studi Literatur dan
Pengumpulan Data Gambar 3.2 Data Preprocessing
Pada Proses Pengujian ini untuk mengetahui 3.3 Pengujian Klasfikasi Navie Bayes
dan menghitung Presentase Komentar
trend penelitian yang terjadi pada bidang
analisa sentimen, studi literatur ini dilakukan Pada Proses Pengujian ini untuk
untuk meriview jurnal-jurnal yang telah ada memanfaatkan metode probabilitas dan
dan digunakan dan memperkuat alasan
mengapa penelitian ini harus dilakukan,
pengumpulan data diambil dari sumbernya
besar presentase komentar positif & negatif menambah jumlah data latih. Selanjutnya
yang didapatkan dari data testing di olah. penulis menarik kesimpulan setelah
melakukan observasi dan studi
Gambar 3.3 Pengujian Klasifikasi
dokumentasi bahwasannya belum ada
3.4 Pengunjuan Menghitung akurasi dari penelitian yang membahas tentang
pengujian data presentase komentar pada aplikasi
Pada Proses Pengujian ini dilakukan PeduliLindungi dan beberapa permasalahan
menggunakan tools Orange yang benfungsi yang lainnya maka penulis memutuskan
untuk menguji seberapa besar akurat untuk melakukan penelitian ini.
algoritma naïve bayes untuk pada dataset
penelitian ini. DAFTAR PUSTAKA