ANALISIS SENTIMEN VAKSIN BOOSTER DENGAN MEDIA TWITTER

MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM)

(Proposal Tugas Akhir)

LUTFI FAUZI

1810651097

PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK

UNIVERSITAS MUHAMMADIYAH JEMBER

2022
ANALISIS SENTIMEN VAKSIN BOOSTER DENGAN MEDIA TWITTER
MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM)

Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Komputer

Teknik Informatika Universitas Muhammadiyah Jember

Lutfi Fauzi

1810651097

PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK

UNIVERSITAS MUHAMMADIYAH JEMBER

2022
 BAB 1

PENDAHULUAN

1.1 Latar Belakang

Wabah Corona Virus Disease yang melanda Indonesia sejak Desember 2019
menyebabkan berbagai dampak bagi penderitanya terutama masyarakat Indonesia,
mulai keluhan ringan seperti batuk, sakit tenggorokan, demam, sesak nafas,
anosmia, dan lain-lain hingga menyebabkan kematian. Berbagai upaya pemerintah
meminimalisir dampak corona virus disease dari segi kesehatan adalah dengan
pemberian vaksin covid-19. Pemberian vaksin covid 19 kepada masyarakat
Indonesia bertujuan untuk membentuk antibodi terhadap virus covid 19 sehingga
masyarakat mempunyai kekebalan tubuh terhadap virus covid 19. Vaksin covid
19 diberikan dalam berbagai jenis diantaranya Astrazeneca, Pfizer, Sinovac dan
Moderna. Pemberian vaksin covid 19 ini dilaksanakan sejak 13 Januari 2021
hingga sekarang dengan 3 dosis pemberian, yaitu vaksin dosis pertama, vaksin
dosis kedua dan vaksin booster (Komite Penanganan Covid 19 Dan Pemulihan
Ekonomi Nasional, 2022)
Vaksin booster merupakan vaksin yang diberikan pada individu yang telah
diberikan vaksinasi primer lengkap dan mencapai kadar antibody yang adekuat,
namun seiring berjalannya waktu kadar antibody tersebut semakin menurun
sehingga perlu diberikan booster. Program vaksin booster ini bertujuan untuk
meningkatkan kembali kadar antibody yang menurun seiring dengan waktu
sehingga kekebalan terhadap infeksi covid 19 meningkat adekuat. Cakupan vaksin
dosis 1 yaitu 202.144.603 dosis (97,06%), dosis 2 yaitu 169.759.138 dosis
(81,51%), dan vaksin booster yaitu 54.148.579 (26,00%) (Komite Penanganan
Covid 19 Dan Pemulihan Ekonomi Nasional, 2022). Rendahnya cakupan vaksin
booster ini dipengaruhi oleh banyak faktor dan menuai pro kontra dari masyarakat
Indonesia. Pro kontra tersebut dapat dilihat melalui berbagai media sosial salah
satunya twitter.
 Twitter merupakan salah satu media sosial dan microblogging terpopuler saat
ini, khususnya dikalangan remaja, dimana user dapat bertukar informasi menulis
tweet, dengan penggunaan yang dibatasi sebanyak 140 karakter dan kini menjadi
280 karakter. Setelah diluncurkan Juli 2006, jumlah pengguna twitter meningkat
pesat, pada September 2010 yang sudah terdaftar sekitar 160 juta pengguna
(Chiang 2011 dalam Willi, 2015). Menurut MIT Technology-Review, dengan data
statistic yang dirilis pada tahun 2013 Indonesia berada pada posisi ketiga
penyumbang tweet terbanyak dengan jumlah 1 milyar tweet, dimana posisi satu
adalah Amerika Serikat (3,7 milyar), dan Jepang (1,8 milyar) (MIT 2013 dalam
Darma dkk, 2018). Berbagai macam manfaat dapat diperoleh dari tweet dimulai
dari event detection, prediksi pergerakan pasar saham, prediksi pemilu,
penyebaran penyakit di suatu wilayah, hingga analisa tweet yang berisi mood
positif dan negatif (Zhang dkk 2010 dalam Willi, 2015). Melalui tweet yang
dipublikasikan oleh masyarakat dan melalui proses penggalian informasi lebih
lanjut dari tiap tweet yang dibuat oleh user. Proses analisis yang sering digunakan
untuk melihat opini masyarakat melalui tweet adalah sentiment analisis (Darma
dkk, 2018).
Sentimen analisis atau Opinion Mining adalah studi komputasional dari
opini-opini orang, sentiment dan emosi melalui entitas atau atribut yang dimiliki
yang diekspresikan dalam bentuk teks (Aditya dkk 2016 dalam Syakuro, 2017).
Sentimen analisis cenderung dilakukan untuk melihat opini dari suatu sentimen
terhadap sebuah objek dengan mengidentifikasi apakah sentiment tersebut
mengandung opini positif atau negatif (Darma dkk, 2018).
Dengan menggunakan sentiment analisis, opini masyarakat atau user terhadap
vaksin booster dapat dilakukan proses penggalian informasi. Dari hasil analisis
opini tersebut dapat diproses lebih lanjut sehingga dihailkan informasi yang lebih
bermakna. Teknik yang digunakan pada sentiment analisis dalam
mengklasifikasikan tersebut yaitu Support Vector Machine (SVM). SVM berhasil
emnunjukkan hasil yang menjanjikan dlam penerapannya seperti pengnalan
tulisan tangan dan kategorisasi teks. Support Vector Machine (SVM) juga dapat
digunakan pada data berdimensi banyak dan menghindari kesulitan dari
permaslahan dimensionalitas (Tan 2006 dalam Darma, 2018).
Pada penelitian sebelumnya dilakukan optimasi pemilihan fitur pada
alogaritma SVM dengan menggunakan alogaritma genetika. Sistem melakukan
klasifikasi teks kedalam opini positif atau negatif. Setalah penerapan alogaritma
genetika, ditunjukkan peningkatan hasil akurasi yang didapat, dari 71% menjadi
78,02% (Darmawan 205 dalam Darma, 2018).
Berdasarkan latar belakang diatas, peneliti akan meneliti “Analisis Sentimen
Vaksin Booster Dengan Media Twitter Menggunakan Metode Support Vector
Machine (SVM)” yang menitikberatkan pada alogaritma menggunakan TF-IDF
sebagai pembobotan kata dan Support Vector Machine (SVM) untuk pembagian
data menjadi dua parameter atau dua kelas.

1.2 Rumusan Masalah

Bagaimana hasil akurasi sentimen vaksin booster yang diperoleh pada
pengujian sistem menggunakan metode Support Vector Machine (SVM)?
1.3 Batasan Penelitian
1. Menggunakan ulasan dengan twett hastag vaksin booster
2. Mengambil ulasan pada media twittet 10 hari terakhir
1.4 Tujuan Penelitian
1. Untuk mengukur kinerja TF-IDF dan SVM pada ulasan vaksin booster
2. Mendapatkan nilai hasil akurasi TF-IDF dan SVM pada ulasan sentiment
vaksin booster
1.5 Manfaat Penelitian
1. Mengetahui sebagian besar tanggapan masyarakat melalui media twitter
2. Membantu mengklasifikasikan sentimen masyarakat terhadap vaksin
booster pada media twitter
 BAB 2

TINJAUAN TEORI

2.1 Vaksin Booster

2.1.1 Pengertian Vaksin Booster
Pengertian vaksin yang dijelaskan dalam Peraturan Menteri Kesehatan
Nomor 42 Tahun 2013, vaksin adalah antigen berupa mikroorganisme yang sudah
mati, masih hidup tapi dilemahkan, masih utuh atau bagiannya, yang telah diolah,
berupa toksin mikroorganisme yang telah diolah menjadi toksoid, protein
rekombinan yang bila diberikan kepada seseorang akan menimbulkan kekebalan
spesifik secara aktif terhadap penyakit infeksi tertentu (Shafa, 2017)
Menurut Kemenkes RI pada Buku Saku Covid Tahun 2021, Vaksin adalah
produk biologi yang berisi antigen berupa mikrorganisme atau bagiannya atau zat
yang dihasilkannya yang telah diolah sedemikian rupa sehingga aman, yang apaila
diberikan kepada seseorang akan menimbulkan kekebalan spesifik secara aktif
terhadap penyakit tertentu.
Sedangkan pengertian vaksin booster adalah vaksinasi setelah seseorang
mendapatkan vaksin primer dosis lengkap (dosis 1 dan dosis 2)
2.1.2 Jenis-Jenis Vaksin Booster Covid 19
Jenis-jenis vaksin covid sangatlah banyak, diantaranya Sinovac, Sinopharm,
AstraZaneca, Novavax, Moderna, Pfizer, Cansino dan Sputnik V. Sedangkan jenis
vakin booster yang akan diberikan sesuai dengan riwayat penerimaan vaksin dosis
pertama dan kedua serta mempertimbangkan ketersediaan vaksin di layanan
vaksinasi (Kementrian Kesehatan Republik Indonesia, 2022)
Berikut jenis vaksin booster covid 19
A. Heterolog
1. AstraZaneca + AstraZaneca + ½ dosis Moderna
2. AstraZaneca + AstraZaneca + ½ dosis Pfizer
3. Sinovac + Sinovac + ½ dosis AstraZaneca
4. Sinovac + Sinovac + ½ dosis Pfizer
2.1.3 Jadwal Pemberian Vaksin Booster
 Jadwal pemberian vaksin booster dimulai pada tanggal 12 Januari 2022.
Masyarakat dapat diberikan vaksin booster setelah 6 bulan mendapatkan
vaksin dosis kedua (Kementrian Kesehatan Republik Indonesia, 2022)
2.1.4 Sasaran Vaksin Booster
Secara umum kelompok prioritas penerima vaksin adalah penduduk yang
berdomisili di Indonesia yang berusia ≥18 tahun. Kelompok penduduk berusia
dibawah 18 tahun dapat diberikan vaksinasi apabila telah telah tersedia data
keamanan vaksin yang memadai dan persetujuan penggunaan pada masa darurat
(emergency use authorization) atau penerbitan nomor izin edar (NIE) dari Badan
Pengawas Obat dan Makanan. Untuk sasaran vaksin booster sendiri adalah
kelompok usia ≥18 tahun yang telah mendapatkan vaksinasi dosis 1 dan dosis 2
(Kementrian Kesehatan Republik Indonesia, 2021)
2.2 Media Sosial Twitter
Media social merupakan perkembangan mutakhir dari teknologi-teknologi
web baru berbasis internet yang memudahkan semua orang untuk dapat
berkomunikasi, berpartisipasi, saling berbagi dan membentuk sebuah jaringan
secara online, sehingga dapat menyebarluaskan konten mereka sendiri seperti post
di blog, tweet, atau video youtube dapat diproduksi dan dapat dilihat secara
langsung oleh jutaan orang secara gratis. (Syakuro, 2017)
Twitter merupakan salah satu jenis dari media social. Twitter adalah suatu
situs web yang merupakan layanan dai microblog yaitu suatu bentuk blog yang
membatasi ukuran setiap posnya, yang memberikan fasiitas bagi pengguna untuk
dapat menuliskan pesan dalam twitter update yang berisi 140 karakter. Twitter
merupakan salah satu jejaring social yang paling mudah digunakan, karena hanya
memerlukan waktu yang singkat tetapi informasi yang disampaikan dapat
langsung menyebar secara luas. (Setyani dalam Syakuro, 2017)
2.3 Analisis Sentimen
Sentiment analiysist atau analisis sentiment dalam bahsa Indonesia adalah
sebuah teknik atau cata yang digunkan untuk mengidentifikasi bagaimana sebuah
sentiment diekspresikan menggunakan teks dan bagaimana sentiment tersebut bias
dikategorikan sebagai sentiment positif maupun sentimen negatif. Hasil system
prototype mencapai tinggi presisi (75-95% tergantung pada data) dalam mencari
sentiment pada halaman web dan artikel berita. (Nasukawa.T.&Yi, 2003)
Menurut (Liu, 2011) sentiment analysis atau opinion mining mengacu pada
bidang yang luas dari pengolahan bahsa alami, komputasi linguistic dan texs
mining yang memiliki tujuan menganalisa pendapat, sentiment, evaluasi, sikap,
penilaian dan emosi seseorang apakah pembicara atau penulis berkenan dengan
suatu topik, produk, layanan, organisasi, individu, ataupun kegiatan tertentu.
Tugas analisis sentiment yaitu mengelompokkan teks ke dalam kalimat atau
dokumen kemudian menentukan pendapat yang dikemukakan dengan kalimat atau
dokumen yang dianalisis apakah bersifat positif atau negative atau netral.
(Dehhaf, 2010)
2.4 Support Vector Machine (SVM)
Support Vector Machine merupakan salah satu algoritma klasifikasi yang
masuk kelas supervised learning yang pertama kali diperkenalkan oleh Vapnik
pada tahun 1992 sebagai rangkaian harmonis konsep-konsep unggulan dalam
bidang pattem recognition. (Susilowati dkk, 2015)
Support Vector Machine (SVM) adalah suatu teknik untuk melakukan
prediksi, baik dalam kasus klasifikasi maupun regresi (Santosa, dalam Octaviani
dkk, 2014). SVM memiliki prinsip dasar linier classifier yaitu kasus klasifikasi
yang secara linier dapat dipisahkan, namun SVM telah dikembangkan agar dapat
bekerja pada problem non-linier denganmemasukkan konsep kernel pada ruang
kerja (hyperplane) yang dapat memaksimalkan jarak (margin) antara kelas data.
 Gambar 2.1 SVM yang memisahkan dua data dengan Hyperplane (Han
dalam Hidayat dkk, 2014)

Pada Gambar 2.1 diatas terdapat 2 buah kelas +1 yang mewakili setuju
membeli computer, dan class -1 tidak setuju membeli computer, dan memiliki dua
atribut input yaitu A1 dan A2. Dalam gambar diatas bias dilihat bahwa data 2
dimensi dapat dipisah secara linier, karena bias menarik garis lurus untuk
memisahkan semua data tupel kelas +1 dari semua tupel kelas -1, garis hitam
ditengah tersebut merupakan hyperplane.
Metode klasifikasi SVM adalah salah satu metode diskriminatif yang paling
tepat digunkan dalam klasifikasi. Metode ini berakar dari teori pembelajaran
statistik yang hasilnya sangat menjanjikan untuk memberikan hasil yang lebih baik
daripada metode lainnya. SVM juga bekerja dengan baik pada set data berdimensi
tinggi, bahkan SVM yang menggunakan teknik kernel harus memetakan data asli
dari dimensi asalnya menjadi dimensi lain yang relative lebih tinggi. Jika pada
ANN semua data latih akan dipelajari selama proses pelatihan, pada SVM tidak
semua data latih akan dipandang untuk dilibatkan dalam setiap iterasi pelatihannya.
Data-data yang berkontribusi disebut support vector sehingga metodenya disebut
Support Vector Machine.