Kelompok 3
SIAPA SAJA KAMI?
Kami adalah Kelompok 3
yang berisi 4 orang
Novitasari Simanjuntak
Mahasiswa teknik komputer yang memiliki minat pengolahan data dengan memanfaatkan teknologi komputer yang menggunakan proses logika.
Amira Amalia
Mahasiswa Statistika dengan minat tinggi pada pengembangan statistik dan penerapannya di berbagai bidang.
Vania Frederica
Mahasiswa S1 Statistika yang tertarik terhadap analisis dan pengorganisasian data.
Rayhan Faris Jufahri
Mahasiswa ilmu komputer yang memiliki antusias besar pada pembelajaran mesin dan pemrosesan bahasa alami.
DESKRIPSI PROYEK
Analisa Respon Masyarakat Terhadap COVID-19
Pada proyek akhir ini, kami melakukan analisis sentimen dari Tweet media sosial Twitter mengenai maraknya COVID-19 di Indonesia.
Dengan proyek ini, kami ingin mencari respon keseluruhan masyarakat mengenai tugas pemerintah Indonesia dalam menekan jumlah warga yang terpapar virus tersebut, dan juga mengerti mengapa masyarakat merasa seperti itu.
Untuk melakukan analisis sentimen, kami menelusuri Tweet dengan kata kunci yang berhubungan dengan virus COVID-19. Kata kunci yang kami pilih ada empat yaitu PSBB, Vaksinasi, PeduliLindungi dan PPKM. Untuk setiap kata kunci, kami lakukan analisis sentimen agar mendapatkan gambaran besar mengenai respon masyarakat terhadap situasi COVID-19 saat ini.
1
PPKM
Sentimen Pada Kata Kunci PPKM
Pertama-tama, kami mencari Tweet yang memiliki kata kunci tersebut melalui Twitter, kemudian kami label setiap data dengan nilai sentimennya (positive, negatif dan netral). Setelah itu kami visualisasikan persebaran nilai sentimen tersebut. (Bisa dilihat di bawah)
Kami bisa melihat dari grafik bagian x-axis menunjukkan Tweet dengan nilai positif dan y-axis menunjukkan nilai negatif. Banyak juga Tweet dengan nilai sentimen campuran; yaitu memiliki nilai positif dan negatif sekaligus.
Frekuensi kata dalam Tweet positif
3
Analisis terakhir adalah kami membuat Wordcloud untuk menvisualisasi kata kunci apa saja yang sering digunakan dalam Tweet yang bersifat positif.
Perbandingan nilai sentimen
2
Kemudian kami memvisualisasi persebaran keseluruhan Tweet. Tampak distribusi sentimen secara mayoritas berada pada nilai sentimen positif dengan jumlah 46 tweet, sementara sentimen netral memiliki jumlah 35 tweet dan sentiment negatif memiliki jumlah 12 tweet.
Frekuensi kata dalam Tweet negatif
4
Kami lakukan juga visualisasi untuk Tweet yang bersifat negatif.
Kesimpulan
5
Berdasarkan visualisasi di atas, kami dapat menyimpulkan bahwa pelaksanaan PPKM di Indonesia mendapatkan respon positif. Kata PPKM, level, libur, covid, nataru mendapatkan sentimen positif yang menunjukkan bahwa kebijakan PPKM Level 3 yang akan diterapkan, diharapkan dapat mengantisipasi lonjakan kasus covid-19 pasca libur nataru. Sedangkan, kata PPKM, level, dan masyarakat mendapatkan sentimen negatif yang menunjukkan bahwa PPKM dapat merugikan kehidupan masyarakat dikarenakan kegiatan perekonomian dapat terhambat akibat pembatasan yang akan berlangsung.
1
PEDULILINDUNGI
Sentimen Pada Kata Kunci PeduliLindungi
Pertama-tama, kami mencari Tweet yang memiliki kata kunci tersebut melalui Twitter, kemudian kami label setiap data dengan nilai sentimennya (positive, negatif dan netral). Setelah itu kami visualisasikan persebaran nilai sentimen tersebut. (Bisa dilihat di bawah)
Kami bisa melihat dari grafik bagian x-axis menunjukkan Tweet dengan nilai positif dan y-axis menunjukkan nilai negatif. Tampak bahwa ketika Tweet dengan sentimen positif semakin banyak, maka Tweet dengan sentimen negatif semakin berkurang. Terdapat beberapa Tweet dengan nilai sentimen campuran; yaitu memiliki nilai positif dan negatif sekaligus.
Frekuensi kata dalam Tweet positif
3
Analisis terakhir adalah kami membuat Wordcloud untuk menvisualisasi kata kunci apa saja yang sering digunakan dalam Tweet yang bersifat positif.
Perbandingan nilai sentimen
2
Kemudian kami memvisualisasi persebaran keseluruhan Tweet. Tampak distribusi sentimen secara mayoritas berada pada nilai sentimen netral dengan jumlah hampir 100 Tweet, sementara sentimen positif dan negatif masing-masing hanya sekitar 10 Tweet.
Frekuensi kata dalam Tweet negatif
4
Kami lakukan juga visualisasi untuk Tweet yang bersifat negatif.
Kesimpulan
5
Dari seluruh visualisasi di atas, kami dapat menyimpulkan bahwa penggunaan aplikasi PeduliLindungi di Indonesia mendapatkan respon netral, namun juga terdapat beberapa respon campur (beberapa positif dan beberapa negatif) karena muncul di kedua (positif dan negatif) Worldcloud.
Kata PeduliLindungi, Aplikasi, dan Terintegrasi mendapatkan respon positif dari masyarakat karena muncul dalam Wordcloud. Sedangkan, kata PeduliLindungi, Vaksin, dan Sertifikat mendapatkan sentimen negatif yang menunjukkan bahwa penggunaan aplikasi PeduliLindungi sebagai perantara sertifikat bukti telah melakukan vaksinasi masih kurang efisien dan banyak mengalami kendala sehingga perlu dilakukan evaluasi dan perbaikan supaya aktivitas yang mewajibkan adanya bukti vaksinasi tidak terkendala.
VAKSINASI
Sentimen Pada Kata Kunci Vaksinasi
1
Pertama-tama, kami mencari Tweet yang memiliki kata kunci tersebut. Kemudian kami labelkan setiap data dengan nilai sentimennya (positive, negatif dan netral) menggunakan library Vader. Setelah itu, kami visualisasikan persebaran nilai sentimen tersebut melalui grafik scatterplot dibawah ini.
Berdasarkan gambar scatterplot diatas, didapatkan persebaran titik data nilai sentimen positif dan negatif. Dari gambar tersebut, dapat dinyatakan bahwa, sebagian besar data tweet memiliki sentimen positif. Namun terdapat pula data tweet yang memiliki nilai negatif dan campuran.
Frekuensi kata dalam Tweet positif
3
Selanjutnya, kami membuat Wordcloud untuk menvisualisasi kata kunci apa saja yang sering digunakan dalam Tweet yang bersifat positif.
Berdasarkan visualisasi diatas, maka kata kata yang sering digunakan adalah vaksinasi, covid , dosis, orang vaksin. Ditemukan pula kata kunci unik yang berkaitan dengan papua/sorong. Hal ini sangat sesuai dengan apa yang diberitakan di media informasi/berita dimana warga papua/sorong menanggapi positif percepatan vaksinasi di daerah mereka menjelang PON XX Papua.
Perbandingan nilai sentimen
2
Berikut ini adalah visualisasi bar chart mengenai perbandingan nilai sentimen yang didapatkan dari keseluruhan tweet pengguna.
Berdasarkan gambar diatas, dapat dinyatakan bahwa sebagian besar tweet (37 tweet) tentang vaksinasi memiliki nilai sentimen positif. Kemudian diikuti dengan tweet sentimen netral sebanyak 27 tweet dan tweet dengan sentimen negatif sebanyak 10 tweet. Total keseluruhan tweet adalah 74 tweet.
Frekuensi kata dalam Tweet negatif
4
Selanjutnya, kami membuat Wordcloud untuk menvisualisasi kata kunci apa saja yang sering digunakan dalam Tweet yang bersifat negatif
Berdasarkan visualisasi diatas, maka kata kata yang sering digunakan adalah vaksinasi, covid , data, percepatan, selesai. Dari kesimpulan diatas, terdapat indikasi bahwa warga Indonesia ingin agar ada percepatan vaksinasi dan program ini cepat selesai mengingat vaksinasi sangat penting untuk mencegah penyebaran covid-19 di Indonesia. Ditemukan pula kata kunci negatif seperti rabies dan korban, dimana hal ini berkaitan dengan berita hoax terkait vaksin yang dapat membahayakan warga, padahal kenyataannya tidak.
Kesimpulan
5
Dari seluruh visualisasi dan analisis yang telah dilakukan di atas, dapat disimpulkan bahwa pelaksanaan vaksinasi di Indonesia mendapatkan sebagian besar respon positif. Kata vaksinasi, covid , dosis, muncul dalam kategori tweet yang mendapatkan respon positif dari masyarakat. Sedangkan, kata vaksinasi, covid , data, percepatan, selesai dalam kategori tweet yang mendapatkan respon negatif dari masyarakat. Hal ini menunjukkan bahwa warga Indonesia ingin agar ada percepatan vaksinasi dan program ini cepat selesai mengingat vaksinasi sangat penting untuk mencegah penyebaran COVID-19 di Indonesia
PSBB
Sentimen Pada Kata Kunci PSBB
1
Pertama-tama, kami mencari Tweet yang memiliki kata kunci tersebut melalui Twitter, kemudian kami label setiap data dengan nilai sentimennya (positive, negatif dan netral). Setelah itu kami visualisasikan persebaran nilai sentimen tersebut. (Bisa dilihat di bawah)
Kami bisa melihat dari grafik bagian x-axis menunjukkan Tweet dengan nilai positif dan y-axis menunjukkan nilai negatif. Banyak juga Tweet dengan nilai sentimen campuran; yaitu memiliki nilai positif dan negatif sekaligus.
Frekuensi kata dalam Tweet positif
3
Analisis terakhir adalah kami membuat Wordcloud untuk menvisualisasi kata kunci apa saja yang sering digunakan dalam Tweet yang bersifat positif.
Persebaran nilai sentimen
2
Kemudian kami menvisualisasi persebaran keseluruhan Tweet. Tampak distribusi setiap sentimen adalah rata; di mana setiap nilai sentimen memiliki lebih dari 25 Tweet dengan nilai sentimen tersebut.
Frekuensi kata dalam Tweet negatif
4
Kami lakukan juga visualisasi untuk Tweet yang bersifat negatif.
Kesimpulan
5
Dari seluruh visualisasi di atas, kami dapat menyimpulkan bahwa pelaksanaan PSBB di Indonesia mendapatkan respon campur (banyak positif dan banyak negatif) karena muncul di kedua (positif dan negatif) Worldcloud.
Kata PPKM, Nonton, dan COVID mendapatkan respon positif dari masyarakat karena muncul dalam Wordcloud. Sedangkan, kata Vaksinasi, PPKM dan Pusat mendapatkan sentimen negatif yang menunjukkan bahwa pelaksanaan vaksinasi masih kurang efisien dan pembatasan aktivitas tampaknya menghambat produktivitas masyarakat secara keseluruhan.