Analisis Sentimen Terhadap Tanggapan Masyarakat Mengenai Vaksinasi Menggunakan Metode Naive Bayes dan Pearson Correlation Coefficient

Media sosial merupakan media yang sangat berperan untuk berkomunikasi jarak jauh. Terdapat banyak informasi yang terdapat pada media sosial, seperti informasi yang sering terdengar pada media sosial yaitu informasi opini yang dilontarkan oleh para pengguna media sosial. Banyak orang yang mengandalkan media sosial dalam mencari sebuah informasi. Informasi yang didapatkan pada media sosial juga beragam seperti halnya tanggapan tentang penggunaan vaksin. Banyak para pengguna media sosial berkomentar positif maupun negatif terhadap penggunaan vaksin yang dilakukan oleh pemerintah. Salah satu cara untuk pencegahan menyebarnya virus tersebut yang paling efektif dengan pembuatan vaksin. Penerapan vaksin sendiri mempertimbangkan berbagai aspek, salah satunya adalah opini publik terhadap pelaksanaan vaksinasi melalui media twitter, yaitu sebuah media sosial yang paling popular yang digunakan masyarakat. Pengumpulan opini publik yang disebut data sentiment melalui media sosial untuk mendapatkan hasil tanggapan publik masyarakat. Salah satu unuk mengolah informasi yaitu dengan menggunakan pendekatan text mining dengan melakukan analisis sentimen. Sulit dalam melakukan klasifikasi opini masyarakat terkait vaksinasi secara manual dengan data yang banyak. Penelitian ini bertujuan untuk mengetahui akurasi klasifikasi Naïve Bayes dan pengaruh Pearson Correlation Coefficient terhadap klasifikasi Naïve Bayes terkait tanggapan masyarakat tentang vaksinasi. Memanfaatkan media sosial khususnya twitter, Metode yang digunakan pada penelitian ini yaitu Naïve Bayes dengan seleksi fitur Pearson Correlation Coefficient. Data Tweet yang didapatkan berdasarkan kata kunci terkait vaksinasi menggunakan twitter dengan dataset sebanyak 1.404 ulasan yang diambil pada 10 januari 2021 – 21 April 2021 dan akan dilakukan sentiment positif dan negatif terhadap vaksinasi. Hasil yang didapat dari pengujian menggunakan seleksi fitur sebesar 72.08% dengan rentan waktu proses 11.4563 Menit. Sedangkan pengujian dilakukan tanpa menggunakan seleksi fitur sebesar 73.22% dengan rentan waktu proses 12.2629 Menit dengan penggunaan data sebanyak 1.404 tweet yang memiliki label positif dan negatif. Sehingga, penggunaan seleksi fitur tidak selalu bisa dapat meningkatkan akurasi namun seleksi fitur bisa mengurangi waktu komputasi yang lebih cepat.