Abstrak

Satgas Penanganan Pandemi Covid-19 di Indonesia, menunjukkan bahwa tercatat jumlah kasus terkonfirmasi positif di Indonesia mencapai angka 1,22 juta kasus per 16 Februari 2020. Salah satu upaya pemerintah Indonesia untuk meminimalisir persebaran virus ini yaitu dengan mendistribusikan vaksin covid-19 kepada masyarakat. Dataset yang digunakan untuk penelitian ini adalah data tweet vaksin covid-19 yang merupakan hasil crawling data menggunakan package r, menggunakan 1800 data dengan 3 kelas menjadi 600 data berlabel Netral, 600 data berlabel Positif, dan 600 data berlabel Negatif. Hasil crawling data tidak berbentuk angka namun berbentuk teks, kondisi ini akan menyulitkan metode klasifikasi dalam melakukan proses data mining. Ekstraksi fitur Term Frequency-Inverse Document Frequency (TF-IDF) yang bisa digunakan untuk menyelesaikan permasalahan tersebut. Klasifikasi yang digunakan Long Short-Term Memory (LSTM) adalah versi modifikasi dari jaringan saraf berulang, yang membuatnya lebih mudah untuk mengingat data masa lalu dalam memori. Metode LSTM digunakan dalam melakukan analisis sentimen yang memiliki hasil yang lebih baik dibandingkan dengan metode konvensional. Hasil penelitian pada data tweet vaksin covid-19 menggunakan Long Short-Term Memory dengan Pembobotan TF-IDF pada pengujian menggunakan 1 layer dengan epoch 50, batch size 128 diperolah akurasi sebesar 42,8%, presisi 58,9%, dan recall 42,8% dan pada pengujian menggunakan 2 layer dengan epoch 200, batch size 512 diperoleh akurasi sebesar 50%, presisi 58,8%, dan recall 50%.

Kata Kunci: Vaksin Covid-19, TF-IDF, Long Short-Term Memory, Klasifikasi teks, twitter