Analisis Sentimen Dampak Pandemi Covid-19 Terhadap Kesehatan Mental Menggunakan Klasifikasi Support Vector Machine (SVM)

Abstract

Pandemi covid-19 mewabah di wilayah Indonesia pada awal tahun 2020. Dampak dari pandemi menyerang berbagai aspek dalam kehidupan masyarakat, salah satunya adalah pada psikologis seseorang. Perbedaan tipe kepribadian akan mempengaruhi perbedaan dampak dari pandemi yang diterima seseorang. Dampak yang akan diperoleh tidak selalu berbentuk negatif bisa juga berdampak positif. Banyak batasan diberlakukan pada masa pandemi dan meminta untuk setiap individu melakukan apapun di rumah. Hal tersebut menyebabkan media online sangat penting bagi masyarakat. Salah satu media online yang memiliki ikatan terdekat dengan masyarakat adalah media sosial. Pemakaian media sosial yang bijak dapat meminimalisir pengaruh negatif media sosial pada kesehatan mental. Pada penelitian ini akan dilakukan pengamatan sentimental dampak pandemi covid-19, terhadap kesehatan mental dengan menggunakan metode klasifikasi SVM. Tujuan dilakukannya penelitian ini adalah diperolehnya hasil analisis sentimen. Selain itu, mendapatkan informasi mengenai kata-kata yang berasosiasi dengan tweet mengenai kesehatan mental. Sentimen yang digunakan pada penelitian ini adalah positif dan negatif. Manfaat yang dapat diperoleh dari tujuan tersebut adalah dapat ditemukan upaya umum dalam penanganan lanjut untuk subjek terdampak. Analisis sentimen merupakan bentuk dalam mengenali sentimentalitas opini yang dapat dilakukan secara otomatis. SVM adalah salah satu metode supervised learning yang biasanya digunakan untuk klasifikasi. Penelitian ini menggunakan data tweet dari Twitter pada rentang tanggal 1-31 Oktober 2021. Data yang digunakan sebanyak 1490 data tweet. Tahap sebelum memproses data dilakukan dengan tujuan untuk meminimalisir noise pada data. Hal tersebut bertujuan untuk meningkatkan akurasi pada model. Model klasifikasi SVM mampu melakukan klasifikasi dengan baik menggunakan kernel terbaik. Sebesar 66,1% nilai akurasi terbaik dari kernel linier. Proporsi pembagian data training dan testing terbaik yaitu 80:20. Hasilnya tingkat akurasi terbaik diperoleh sebesar 96,5% dan 66,1%. Nilai akurasi tersebut didukung dengan adanya dominansi terhadap kelas sentimen positif pada data training dan testing. Berdasarkan hal tersebut diperoleh bahwa model SVM dapat melakukan klasifikasi secara baik. Selain memiliki akurasi yang cukup tinggi diperoleh kata dominan sesuai dengan kelas sentimennya, dimana kata “mental” merujuk pada kelas sentimen positif.