Media sosial berperan penting sebagai sumber informasi yang paling banyak
diakses oleh masyarakat untuk mencari informasi terkait COVID-19.
Pemanfaatan pesan sosial media tersebut nantinya dapat membantu dalam hal-
hal seperti deteksi gejala COVID-19. Hasil deteksi gejala COVID-19 dari pesan
sosial media dapat dijadikan tolak ukur oleh pihak terkait untuk dapat membuat
kebijakan yang dapat berguna bagi masyarakat umum. Namun, data pesan sosial
media memiliki banyak ragam topik sehingga diperlukan proses klasifikasi
dengan berbagai macam pendekatan agar bisa mendapatkan hasil seakurat
mungkin. Klasifikasi dilakukan dengan menggunakan variasi word embedding
(Word2vec, Glove, fastText, dan gabungan Word2vec, Glove, dan fastText) dan
variasi word padding (max, mean, median, dan mode) pada arsitektur CNN 1D
dan 2D (single-channel dan multi-channel). Hasil dengan akurasi terbaik
diperoleh dari kombinasi penggunaan word embedding Word2vec dan word
padding max pada 1D single-channel yaitu 93%. Hasil perbandingan
menunjukkan bahwa penggunaan Word2vec dengan word padding Max
memiliki konsistensi dalam memberikan performa yang baik pada berbagai
arsitektur yang digunakan.