Presentasi

@Kelompok_3

ANALISIS RESPON PENGGUNA

TWITTER TERKAIT COVID-19
PADA TAHUN 2021
MENGGUNAKAN SOCIAL
NETWORK ANALYSIS (SNA)
14.30 PM 31 Mei 2023 Twitter Web App
 ANGGOTA KELOMPOK 3

Alya Rahma Zahrani Syamil Ghifari Ansharullah

1502200361 1502204471

Ence Muhammad Fairuz Tiara Imani Dirachma Putri

1502204408 1502203482

Michelle Zevana Premono Tita Azzahra Putri

1502204421 1502204284

Qurratu Aini Salma Adzkia Widya Salsabila

1502202148 1502204189
What we will
TALK
ABOUT
1. PENDAHULUAN

2. TEORI DAN METODOLOGI

3. HASIL DAN PEMBAHASAN

4. KESIMPULAN
 Pendahuluan
Pada akhir tahun 2019 lebih tepatnya pada bulan Desember, dunia dihebohkan
dengan kemunculan virus corona atau yang lebih dikenal dengan nama COVID-19.

Pesatnya perkembangan media sosial membuat media sosial tidak hanya dijadikan
sebagai tempat untuk bersosialisasi dan berkomunikasi, tetapi juga sebagai wadah
untuk menyampaikan opini tentang apa saja yang dirasakan dan terjadi di
kalangan masyarakat secara online. Salah satu media sosial yang paling banyak
digunakan ialah Twitter.

Penelitian ini dibuat untuk mengklasifikasikan sentiment, hashtag, dan juga data
dari Gephi mengenai perbincangan pengguna Twitter terkait kasus COVID-19 di
Indonesia pada tahun 2021.
 Teori
1. RESPON PANDEMI COVID 19 6. SOCIAL NETWORK ANALYSIS

2. COVID-19 - DEGREE CENTRALITY

3. TWITTER - CLOSENESS CENTRALITY

4. SENTIMENT ANALYSIS - BETWEENNESS CENTRALITY

5. HASHTAG
METODOLOGI

KEL0MP0K
FOLLOW
@333333
 ANALISIS
SENTIMEN
KEL0MP0K
FOLLOWING
@333333

Analisis Sentimen adalah suatu teknik mengekstrak data teks

untuk mendapatkan informasi tentang sentimen bernilai
positif, netral maupun negatif. Analisis sentimen diberikan oleh
pengguna internet pada media sosial untuk memberikan suatu
penilaian atau opini pribadi (Sari, Wibowo 2019) Dalam
penelitian ini analisis sentimen difokuskan dalam melihat
perbandingan antara Mention tweet, dan JUMLAH terhadap
cuitan mengenai Covid19.
 MODEL
KONSEPTUAL
KEL0MP0K
FOLLOWING
@333333
Model konseptual merupakan suatu hubungan atau kaitan antara
konsep satu terhadap konsep yang lainnya dari masalah yang diteliti.
Model konseptual berfungsi untuk menghubungkan atau menjelaskan
secara detail tentang suatu topik yang akan dibahas. Model ini
didapatkan dari konsep ilmu / teori yang dipakai sebagai landasan teori
untuk menghasilkan output sesuai dengan tujuan penelitian. (Rizal et al,
2017) model konseptual Hevner ini mencangkup tiga tahap, yaitu
lingkungan, penelitian SI dan juga dasar ilmu yang menjadi acuan
penelitian. Fokus pada penelitian ini berdasarkan model konseptual
yang digunakan adalah untuk melihat korelasi dalam tweet mengenai
Covid19 dan pengaruhnya terhadap masyarakat.
Sistematika
PENELITIAN

Inisiasi

Implementasi

Evaluasi
Sistematika
PENELITIAN
Inisiasi
Tahapan inisiasi merupakan permulaan dalam melakukan proses
penelitian, inisiasi mengawali segala bentuk pengerjaan melalui
niat dan juga pencarian ide untuk memikirkan apa yang akan dan
juga dapat diteliti, dalam hal ini melalui pemerhatian terhadap isu
sosial yang ada, peneliti mencari hal hal terinci terhadap hal hal
yang menarik serta faktor apa saja yang nantinya dapat masuk
ke dalam lingkup penelitian dan tidak keluar dalam fokus selama
proses penelitian
Sistematika
PENELITIAN
Implementasi
Pada tahap implementasi peneliti menjalankan proses analisis dengan
mememulai melalui perancangan dalam pembuatan penelitian melalui
Gephi tools dengan menggunakan web crawling untuk mengumpulkan
data set yang dibutuhkan untuk melakukan penelitian mengenai
“Covid19” di dalam sosial media Twitter. Selanjutnya akan dilakukan
proses pengolahan data dengan melakukan clearing data untuk
melakukan pembersihan terhadap data yang tidak diperlukan untuk
melakukan penelitian menggunakan MS Excel untuk menciptakan
struktur data yang relevan serta jelas dan terukur.
 Sistematika
PENELITIAN
Evaluasi
07
Dalam proses evaluasi, akan dilakukan untuk mendapatkan hasil
kesimpulan dari seluruh proses penelitian yang telah dilakukan, proses
evaluasi ini sekaligus melihat apakah seluruh proses yang dilakukan
sudah tepat dan seluruh pertanyaan yang diberikan di awal penelitian
akan terjawab pada akhir dan juga kesimpulan, yang dalam hal ini
mengenai analisis tweet “Covid19” di aplikasi sosial media Twitter
menggunakan aplikasi Gephi dalam Social Network Analysis dengan
model Sentiment.
 HASIL DAN PEMBAHASAN

Hasil Sentimen
Data mengenai “tweet” opini pengguna Twitter mengenai
Covid19 pada periode April-Juni 2021, didapati hasil berupa
ketiga variabel x memiliki jumlah variabel y yang sama.

Variabel neg (negatif) jumlah count untuk tweet mention

terhadap keseluruhan JUMLAH memiliki angka yang sama
yaitu 241.

Pada variabel pos (positif), jumlah count untuk tweet

mention dan total JUMLAH berada pada angka yang
sama yaitu 297.

Pada variabel x neu (neutral), jumlah count untuk tweet

mention dan total JUMLAH berada pada angka yang
sama dan tertinggi di antara variabel x lainnya, yaitu
370.
 HASIL DAN PEMBAHASAN

Hasil Hashtag

Perhitungan mengenai hashtag yang

berkaitan dengan Covid di Twitter
periode April-Juni 2021.

Didapatkan hasil yang diambil dari

10 data teratas yaitu terdapat
hashtag dengan total keseluruhan
yaitu 358 hashtag.
 Hasil
PEMBAHASAN
Nilai Jaringan Properti
N Properti jaringan ketiga: Average Weighted Degree
JARINGAN PROPERTI
O dengan skor 0.641.
08
1 Size
2 Average Degree
3 Average Weighted Degree
4 Network Diameter
5 Modularity
Properti jaringan pertama: Size, disebut aktif ketika
banyak node dalam jaringan, sehingga node
berinteraksi satu sma lain. Pada size, terdapat
nodes 1442 dan 911 edges dalam jaringan.
Properti jaringan kedua: Average Degree, semakin
banyaknya link (edge) yang menyatukan antara
nodes, maka tersebarnya informasi akan semakin
cepat dan mudah. Jaringan informasi mengenai
Covid-19 memiliki skor 0.632.
KETERANGAN
Properti jaringan keempat: Network Diameter,
Nodes: 1442
Semakin kecil diameter pada suatu jaringan maka
Edges: 911 akan memudahkan node untuk saling
berkomunikasi karena jaraknya yang sangat
0,632 pendek. Pada penelitian ini memiliki skor diameter 2.
Properti jaringan kelima: Modularity. Semakin besar
0,641 skor Modularity maka semakin jelas kelompok
yang terbentuk, Setiap kelompok yang terbentuk
diasumsikan sebagai komunitas yang berbeda
2 sehingga butuh spesifikasi lebih terhadap jaringan di
setiap komunitas. Jaringan pada penelitian ini
memiliki skor Modularity 0.993
0,993
 HASIL DAN PEMBAHASAN

Degree Centrality
Terdapat 5 akun
teratas dari banyak
akun-akun sebagai
aktor dalam jaringan
respon pengguna
Twitter terkait Covid-
19 pada bulan April-
Juni 2021.

Degree Centrality adalah ukuran centrality yang menghitung jumlah edge yang terhubung ke
sebuah node atau dengan kata lain orang atau aktor yang paling populer dalam menyebarkan
informasi.

Akun yang paling populer dalam menyebarkan informasi Covid-19 adalah akun Twitter :

Narendramodi sebanyak 12 degree. Selain Narendramodi terdapat beberapa urutan akun yang
paling populer dalam menyebarkan informasi ini yaitu Bhavikakapoo (11 degree), Chentan91936 (9
degree), Monique_esse (9 degree), dan Arvid14121996 (9 degree)
 HASIL DAN PEMBAHASAN

FRUCHTERMAN REINGOLD

Dengan menggunakan tools Gephi, peneliti

melakukan evaluasi jaringan Directed Graph
yaitu jaringan yang memperhitungkan arah
hubungan. Pada dataset mengenai informasi
Covid-19 di Twitter pada bulan April-Juni 2021.

Terdapat skor nodes 1442, 911 edges, dan 556

kluster dalam jaringan, terkait informasi
mengenai nformasi COVID-19 di Twitter pada
bulan April-Juni 2021

Identifikasi aktor-aktor penting dan populer

dalam Degree Centrality yang dapat diprospek
untuk menyebarkan informasi secara sering
karena memiliki kepopuleran dalam
jaringannya dapat dijelaskan melalui warna
yang muncul yang mewakili 556 kluster.
 HASIL DAN PEMBAHASAN

Betweenes Centrality

Terdapat 5 akun
Sebagai orang yang
menjembatani atau
orang yang dilihat dari
Betweenness
Centrality

Betweenness Centrality:
mengukur berapa kali sebuah node diteruskan antar node menggunakan jalur terpendek. Nilai ini
dapat menunjukkan node mana yang dapat digunakan sebagai penghubung "jembatan" dalam
graph.

Metrik ini dapat digunakan untuk mengidentifikasi orang-orang yang mempengaruhi "aliran"
informasi.

Pada tabel tersebut, akun yang menjembatani dalam menyebarkan informasi Covid-19 adalah
akun Twitter PCClotter dengan 0.000002 degree.
 HASIL DAN PEMBAHASAN

FRUCHTERMAN REINGOLD

Terdapat skor nodes 1442, 911 edges, dan 556 kluster dalam
jaringan, dengan informasi COVID-19 di Twitter pada bulan
April-Juni 2021

Graph Type: Directed Graph,

Identifikasi aktor penting yang menjembatani

dalam Betweenness Centrality yang dapat
diprospek untuk menyebarkan informasi secara
yang menghubungkan antar kelompok/cluster
dalam jaringan dapat dijelaskan melalui warna
yang muncul yang mewakili 556 kluster.
 HASIL DAN PEMBAHASAN

Closeness Centrality

Terdapat 5 akun yang

memiliki kedekatan dengan
akun-akun lain sebagai
aktor dilihat dari skor nilai
Closeness Centrality yaitu
1.0.

Perhitungan closeness centrality interpretasi (Broadcaster) yang dapat dilakukan yaitu

semakin skor nilai yang didapat yaitu mendekati 1 berarti semakin baik dan semakin
dekat.
5 akun teratas yang masuk ke dalam aktor closeness centrality yaitu ada
JackPosobiec, Timmy315, Itsaadee, Youtube, dan StrangRobert dengan skor nilai
Closeness Centrality 1.0
 HASIL DAN PEMBAHASAN

FRUCHTERMAN REINGOLD

Terdapat skor nodes 1442, 911 edges, dan 556 kluster

dalam jaringan. dengan kaitan informasi COVID-19 di
Twitter pada bulan April-Juni 2021

Graph Type: Directed Graph,

identifikasi aktor-aktor penting dalam

Closeness Centrality yang dapat
diprospek untuk menyebarkan
informasi secara cepat karena
memiliki kedekatan dalam jaringannya
dapat dijelaskan melalui warna yang
muncul yang mewakili 556 kluster.

Di setiap warna memiliki aktor-aktor yang memiliki jarak pendek dengan aktor-aktor lain, dan aktor-aktor
tersebutlah yang bisa dipilih di setiap kluster, sehingga penyebaran informasinya dapat disebarkan secara
cepat, efektif, dan efisien
 KESIMPULAN

Berdasarkan pemaparan hasil dan pembahasan dengan menggunakan metode

Social Network Analysis (SNA), respon pengguna twitter terkait Covid-19 menjadi
sebuah pro dan kontra yang terjadi dalam masyarakat.

Berdasarkan fokus penelitian yaitu perhitungan Centrality yaitu Degree,

Closeness, Betweenness dengan tools Gephi. Dalam Degree Centrality ditampilkan
akun terpopuler dalam menyebarkan informasi Covid-19 adalah akun Twitter
Narendramodi sebanyak 12 degree, Bhavikakapoo (11 degree), Chentan91936 (9
degree), Monique_esse (9 degree), dan Arvid14121996 (9 degree).
 KESIMPULAN
Berdasarkan algoritma Fruchterman Reingold khususnya kaitannya dengan
informasi COVID-19 di Twitter pada bulan April-Juni 2021 terdapat skor nodes
1442, 911 edges, dan 556 kluster dalam jaringan. 5 akun teratas yang masuk ke
dalam aktor closeness centrality yaitu ada Jack Posobiec, Timmy 315, Itsaadee,
Youtube, dan StrangRobert dengan skor nilai Closeness Centrality 1.0. Graph
type: directed graph, identifikasi aktor-aktor penting dalam Closeness Centrality
yang dapat diprospek untuk menyebarkan informasi secara cepat karena memiliki
kedekatan dalam jaringannya dapat dijelaskan melalui warna yang muncul yang
mewakili 556 kluster.
 KESIMPULAN
Analisis sentiment menunjukkan jumlah kelompok sentiment yaitu sentiment
neutral berjumlah 370, sentiment positif berjumlah 290, dan sentiment negatif
berjumlah 241.
Analisis hastags menunjukkan sepuluh kelompok hastags dengan jumlah
pemakaian terbanyak yaitu “Covid”, “Covid19”, “Coronavirus”, “Covid_19”,
“Stay Safe”, “India”, “Lockdown”, “Stay Home”, “Pandemic”, dan juga “Breaking”
hashtag.
REFERENSI
Ariandra, A. (2021). Covid-19: Epidemiologi, Virologi, Penularan, Gejala Klinis, Diagnsa, Tatalaksana, Faktor Resiko Dan
Pencegahan. Jurnal Penelitian Perawat Profesional, 3(November), 653–660.
Putri, R. N. (2020). Indonesia dalam Menghadapi Pandemi Covid-19. Jurnal Ilmiah Universitas Batanghari Jambi, 20(2),
705.

Prabowo, R., Sujaini, H., & Rismawan, T. (2023). Analisis Sentimen Pengguna Twitter Terhadap Kasus COVID-19 di
Indonesia Menggunakan Metode Regresi Logistik Multinomial The Sentiment Analysis of Twitter User about COVID-19
Cases in Indonesia Using the Multinomial Logistics Regression Method. Jurnal Sistem dan Teknologi Informasi), 11(1), 56–
61.

Yanti, I. E., Pratiwi, O. N., & Fa’rifah, R. Y. (2021). Analisis Respon Masyarakat Terhadap Pandemi Covid-19 Pada Media
Sosial Twitter Menggunakan Metode Social Network Analysis Analysis of Public Response To the Covid-19 Pandemic on
Twitter Social Media Using Method Social Network Analysis. E-Proceeding of Engineering, 8(5), 8988–8999.

Yunitasari, Y., & Putera, A. R. (2021). Analisis Sentimen Masyarakat di Twitter Terkait Pandemi Covid-19. SMATIKA
Jurnal, 11(01), 22–26.

Chairil, Tangguh. 2020. Respon Pemerintah Indonesia terhadap Pandemi COVID-19: Desekuritisasi di Awal, Sekuratisasi
yang Terhambat.
Thank you
FOR LISTENING!