Jurnal TECHNO Nusa Mandiri, 29 November 2020

Analisis Sentiment Berdasarkan Ulasan Komentar Terhadap Aplikasi Pedulilidungi 

Menggunakan Metode NAÏVE BAYES
Christoper Fernandez Zefanya 1, Dika Rizky Akbar 2, Yohana Titirloloby 3, Wendry Rizky Ramadhan 4,
Fransiska Febria Situmorang 5
Program Studi Teknik Informatika,STMIK NUSA MANDIRI,
www.nusamandiri.ac.id
Jl. Margonda Raya No.545,
Email : Chrisferdanez@gmail.com,rizdika64@gmail.com,jhenytitirloby@gmail.com, Wendryrizky26@gmail.com,
fransiskafebria17@gmail.com

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.

Keyword: Sentiment ,Pedulilidungi ,klasifikasi ,komentar ,Naïve bayes.

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

Fakultas Teknik Informatika, STMIK NUSA MANDIRI

 Jurnal TECHNO Nusa Mandiri, 29 November 2020
Corona di Indonesia melebihi CFR global
sebesar 5,85% pada 19 April 2020
(Worldometers, 2020). Apalagi jika melihat
tren peningkatan penyebaran per hari dari 25
Maret 2020 hingga 19 April 2020, rata-rata
lebih dari 100 orang setiap hari positif
terjangkit virus corona (Kemenkes, 2020).
Jika dampak negatif pandemi berlanjut,
pemerintah memiliki tanggung jawab yang
lebih besar untuk menyelesaikan masalah
ini. Yang menjadi beban pemerintah adalah
pemerintah perlu mengambil tindakan atau
merespon lebih keras untuk menyelesaikan
masalah virus corona. Dalam kondisi
mendesak, Pemerintah perlu mengambil
langkah tanggap untuk menghasilkan
kebijakan berdasarkan data yang akurat.
Memang, dari minggu kedua Maret hingga
minggu pertama April, Pemerintah
mengeluarkan himbauan dini untuk
menghindari penyebaran virus, seperti
kebijakan jarak sosial dan kebijakan
pembatasan sosial skala besar (PSBB).
Namun, pemerintah menghadapi banyak
kendala dalam menyikapi pandemi ini
(Sekretaris Kabinet Republik Indonesia,
2020). Masalah utama yang dihadapi
pemerintah Indonesia saat menyikapi
pandemi tersebut antara lain adalah
ketidakmampuan pemerintah dalam
mengelola informasi dan minimnya data
yang dapat diakses publik terkait
penyebaran corona (Djalante et al., 2020).
Minimnya informasi menyebabkan
kebingungan di antara masyarakat dan
Pemerintah sendiri di tingkat pusat dan
daerah. Oleh karena itu Kementerian
Komunikasi Informatika dan Kementerian
BUMN Indonesia merancang aplikasi
pedulilindungi untuk digunakan
Fakultas Teknik Informatika, STMIK NUSA MANDIRI
Kementerian Kesehatan dan Gugus Tugas
dalam mengatasi pandemi COVID-19 ini.
Aplikasi PeduliLindungi adalah
aplikasi yang dikembangkan untuk
membantu instansi pemerintah terkait dalam
melakukan pelacakan untuk menghentikan
penyebaran Coronavirus Disease (COVID-
19). Aplikasi ini mengandalkan partisipasi
masyarakat untuk
saling membagikan data lokasinya saat
bepergian agar penelusuran riwayat kontak
dengan penderita COVID-19 dapat
dilakukan serta Pengguna aplikasi ini juga
akan mendapatkan notifikasi jika berada di
keramaian atau berada di zona merah, yaitu
area atau kelurahan yang sudah terdata
bahwa ada orang yang terinfeksi COVID-19
positif atau ada Pasien Dalam Pengawasan
Aplikasi Pedulilidungi ini disambut
baik oleh masyarakat dalam menangani
COVID-19 ini. Pada Aplikasi Pedulilidungi
memungkinkan pengguna untuk memberi
ulasan tentang kepuasan pengguna terhadap
aplikasi yang digunakan, hal ini bertujuan
untuk mengevaluasi kinerja aplikasi
sehingga dapat dilakukan perbaikan. Untuk
mengetahui hal tersebut perlu dilakukan
dengan melakukan analisis sentiment.
Analisis sentiment sendiri atau juga
biasa disebut dengan opinion mining adalah
salah satu bagian dari text mining. Bidang
ini melakukan studi mengenai opini orang-
orang, sentiment, evaluasi, tingkah laku dan
emosi ecara tekstual terhadap suatu entitas
layanan, organisasi, individu, permasalahan,
topik, acara dan atribut-atributnya.
Penggunaan analisis sentiment pada
umumnya digunakan untuk menganalisis
tentang suatu produk dalam meningkatkan
kualitas produk ke depannya. Dalam hal ini
 Jurnal TECHNO Nusa Mandiri, 29 November 2020

analisis sentiment dapat diterapkan pada dilakukan meliputi Tahapan analisis

ulasan aplikasi Pedulilidungi Terkadang sentimen ulasan aplikasi Pedulilindungi
terdapat kesalahan penulisan sehingga sulit diawali dengan studi liretatur ,input data
,data processing,kemudian Klasifikasi Navie
dibaca. Hal ini disebabkan oleh beberapa
bayes lalu menghitung prestanse komentar
faktor seperti kedekatan huruf pada papan dan menghitung tingkat akurasi dari
ketik, tidak sengaja salah penulisan dalam pengujian data.
mengetik, dan tidak ada pengecekan ulang.
Dari hal tersebut perlunya mengartikan
ulangkata untuk mengetahui maksud dari
ulasan pengguna. Kata tersebut nantinya
akan diklasifikasikan agar dapat diketahui
masuk ke dalam sentiment yang mana.
Dalam hal ini maka dibutuhkan metode
klasifikasi untuk menganalisis ulasan
komentar pada aplikasi Pedulilidungi .
Pada penelitian sebelumnya yang berkaitan
dengan analisis sentiment dilakukan oleh
Fauziah Afshah dalam penelitiannya yang
berjudul Analisa sentiment menggunakan
Naïve Bayes untuk melihat persepsi
masyarakat terhadap kenaikan harga jual
rokok pada media sosial Twitter, melibatkan
Gambar 1.1 Metode Penelitian
350 dataset dengan klasifikasi 150 positif &
2.1 Studi Literatur
150 negatif presentase akurasi terbesar
sebanyak 85% berada pada opini positif. Studi literatur ini dilakukan untuk
Sedangkan Ahmad Fathan Hidayatullah mengetahui trend penelitian yag terjadi pada
dalam penelitiannya yang berjudul analisis bidang analisa sentimen, studi literatur ini
sentiment dan klasifikasi kategori terhadap dilakukan untuk meriview jurnal-jurnal yang
telah ada dan digunakan untuk menentukan
tokoh publik pada twitter, perhitungan
studi kasus serta metode yang akan
akurasi klasifikasi menggunakan metode
digunakan oleh penulis saat melakukan
Naïve Bayes dengan fitur term frequency
penelitian.
diperoleh sebesar 73.81%, dari sini bisa
disimpulkan bahwa analisa sentiment 2,2 Pengumpulan Data
menggunaka metode klasifikasi naïve bayes Pengumpulan data ini dilakukan untuk
mendapatkan akurasi yang tinggi, makadari memperkuat alasan mengapa penelitian ini
itu penulis memutuskan untuk memilih harus dilakukan, pengumpulan data diambil
metode ini. dari sumbernya langsung yaitu dari
pengguna aplikasi PeduliLindungi pada
2, METODE PENELITIAN Google Play Store.
Beberapa tahapan penelitian yang

Fakultas Teknik Informatika, STMIK NUSA MANDIRI

 Jurnal TECHNO Nusa Mandiri, 29 November 2020
Nama Atribut Keterangan
Value Nilai
Komentar Ulasan Komentar
Pada Aplikasi
2.3 Input Data
Data yang di input pada tahapan ini adalah
data komentar pengguna pada aplikasi
PeduliLindungi selama satu bulan terakhir
sebanyak 496 komentar dengan klasifikasi
komentar positif & negatif.
2.4 Data preprocessing
Tahap preprocessing adalah tahap awal
dalam pengolahan data teks menjadi analisa
sentimen. Terdapat beberapa metode yang
digunakan pada tahap preprocessing
diantaranya adalah:
1. Parsing merupakan proses untuk
memisahkan data teks menjadi beberapa
token.
2. Cleansing merupakan proses
pembersihan data teks yaitu dengan
menghilangkan data yang tidak konsisten.
3. Normalization digunakan untuk
menormalisasi kalimat. Seperti kata
singkatan, contohhnya “tp” jika
dinormalisasi menjadi “tapi” lalu kata
“gara2” dinormalisasi menjadi “gara-gara”.
4. Case Folding yaitu merubah bentuk
kata menjadi bentuk dasarnya agar sebuah
karakter dapat seragam (lower case).
Contohnya “menyebalkan” dirubah mejadi
kata dasarnya yaitu “sebal”
2.5 Klasifikasi Naive Bayes Classifier
Naïve Bayes Classifier merupakan metode
klasifikasi yang berdasar pada teorema
Bayes. Metode klasifikasi ini cocok
digunakan ketika jumlah masukan yang
sangat besar. Klasifikasi ini lebih disukai
Fakultas Teknik Informatika, STMIK NUSA MANDIRI
karena kecepatan dan
kesederhanaannya(Goel, et al., 2016)
Meskipun klasifikasi ini bisa dibilang
klasifikasi yang sederhana, namun hasil
yang diperoleh dari klasifikasi ini sering
mencapai performa yang sebanding dengan
algoritme lain seperti Decision tree, dan
Neural Network classifier. Klasifikasi ini
selain memperlihatkan tingginya akurasi
juga cepat dalam memproses data dalam
jumlah yang besar (C.Aggarwal, 2015)
.Klasifikasi Naive Bayes termasuk ke dalam
algoritme pembelajaran Bayes yang
dibangun oleh data latih. Tujuan dari
algoritmaini untuk memperkirakan
probabilitas berdasarkan kategori yang ada
pada data latih. Klasifikasi Naive Bayesakan
menggabungkan pengetahuan sebelumnya
dengan pengetahuan baru (Fiarni, et al.,
2016) Naïve Bayes Classifier dalam
melakukan klasifikasi terdapat dua proses
penting yaitu learning (training) dan testing.
Proses klasifikasi Naïve Bayes Classifier
terhadap dokumen yaitu dengan
mempresentasikan setiap dokumen dengan
atribut “X1,X2,X3, …., Xn” yang mempunyai
makna bahwa X1 untuk kata pertama, X2
adalah kata kedua, dan seterusnya. Untuk
himpunan kategori komentar
dipresentasikan dengan V. Saat melakukan
proses klasifikasi dokumen, Naïve Bayes
Classifier akan mencari nilai probabilitas
tertinggi dari [4]:
Gambar 2.1 Naïve Bayes Classifier
Keterangan:
VMAP: semua kategori yang diujikan
 Jurnal TECHNO Nusa Mandiri, 29 November 2020

Vj: Kategori komentar, dengan: Gambar 3.1 Pengumpulan Data

3.2 Pengujian Input Data dan Data
J1: Sentimen positif
preprocessing
J2: Sentimen Negatif
Pada Proses Pengujian ini untuk menginput
P(XI |VJ): probabilitas Xi pada kategori Vj data dan pengolahan data teks menjadi
P(Vj): probabilitas dari Vj analisa sentimen. metode yang digunakan
pada tahap preprocessing :
2.6 Menghitung Presentasi Komentar
Pada tahap ini akan dihitung seberapa besar
presentase komentar positif & negatif yang
didapatkan dari data testing.
2.7 Menghitung Akurasi dari pengujian
data dan Confusion Matrix
Pada tahapan ini akan dilakukan
menggunakan tools Orange untuk menguji
seberapa besar akurat algoritma naïve bayes
untuk pada dataset penelitian ini.

3. HASIL DAN PEMBAHASAN
3.1 Pengujian Studi
Pengumpulan Data
parsing,cleansing,Normalization,Case dan
Folding Sehingga dengan dilakukannya
tahapan proses tersebut dapat menghasilkan
klasifikasi yang baik.
Literatur dan
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

statistic dalam klasifikasi mengenai analisis

sentiment ulasan komentar pada aplikasi
Pedulilindungi dan mengetahui seberapa

Fakultas Teknik Informatika, STMIK NUSA MANDIRI

 Jurnal TECHNO Nusa Mandiri, 29 November 2020

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

 Darujati, C. (2010). Perbandingan

Klasifikasi Dokumen Teks
Menggunakan Metode Naive Bayes
dengan K-Nearest Neighbor. Jurnal
Informatika, 13.
 Ling, J., Eka N, I., & Bagus Oka, T.
(2014). Analisis Sentimen
Menggunakan Metode Naive Bayes
Classifier Dengan Seleksi Fitur Chi
Square. E-Jurnal Matematika ,
Gambar 3.4 Pengujian Data Akurasi
 3,pp92-99.Liu, B. (2012). Sentiment
4. KESIMPULAN Analysis and Opinion
Penelitian ini menghasilkan sebuah sistem Mining.Morgan & Claypool.
analisis sentimen pada Aplikasi  kemenristekdikti, “Smartphone
Pedulilindungi menggunakan metode Rakyat Indonesia,” 2017. [Online].
NaïveBayes. Proses penelitian ini Available:
menggunakan masukkan berupa ulasan https://ristekdikti.go.id/smartphone
komentar pada aplikasi Pedulilindungi. Hasil -rakyat-indonesia-2/. [Accessed: 07-
dari pengujian, system mampu Jan-2018].
mengklasifikasi sentimen menggunakan  P. Ilmiah, F. Afshoh, P. S.
NaïveBayes dengan akurasi yang dihasilkan Informatika, F. Komunikasi, D. A. N.
sebesar 52% berdasarkan 496 data berupa Informatika, and U. M. Surakarta,
ulasan komentar Positif dan negative pada “Analisa Sentimen Menggunakan
aplikasi Pedulilindungi dan juga terdapat Naïve Bayes,” 2017.
kesalahan pada data uji fitur yang muncul  P. Ilmiah, F. Afshoh, P. S.
tidak sesuai dengan klasifikasinya. Akurasi Informatika, F. Komunikasi, D. A. N.
klasifikasi dapat ditingkatkan dengan Informatika, and U. M. Surakarta,
Fakultas Teknik Informatika, STMIK NUSA MANDIRI
 Jurnal TECHNO Nusa Mandiri, 29 November 2020

“Analisa Sentimen Menggunakan

Naïve Bayes,” 2017.

Fakultas Teknik Informatika, STMIK NUSA MANDIRI