Perbandingan CNN dan Bi-LSTM pada Analisis Sentimen dan Emosi Masyarakat Indonesia Di Media Sosial Twitter Selama Pandemik Covid-19 yang Menggunakan Metode Word2vec

Comparison of CNN and Bi-LSTM on the Analysis of Sentiments and Emotions of Indonesian People on Social Media Twitter During the Covid-19 Pandemic Using the Word2vec Method

Pandemik Covid-19 hingga kini masih melanda Indonesia. Sudah banyak kebijakan yang diberlakukan oleh Pemerintah untuk mengatasi penyebaran Covid-19 di Indonesia. Beberapa kebijakan yang telah diberlakukan seperti PPKM, PSBB, penggunaan masker, mematuhi protokol kesehatan hingga pelaksanaan vaksinasi. Namun banyaknya varian Covid-19 membuat pandemik ini belum juga berakhir. Dengan banyaknya kebijakan dan peraturan pemerintah dalam menangani pandemik Covid-19, menimbulkan berbabagai macam respon dari masyarakat. Pendapat ini banyak disampaikan melalui media sosial salah satunya twitter. Banyaknya respon dari masyarakat ini dapat kita kelompokkan berdasarkan sentimen polaritas dan emosinya. Sehingga kita mampu menilai sudut pandang masyarakat mengenai kebijakan pemerintah untuk penanganan Covid-19. Tujuan dilakukannya penelitian ini untuk mengetahui model yang memiliki kemampuan terbaik untuk melakukan proses analisis sentimen dan emosi menggunakan dataset unggahan media sosial twitter. Algoritma CNN dan Bi-LSTM diusulkan untuk digunakan dalam penelitian analisis sentimen dan emosi menggunakan metode Word2Vec. Analisis sentimen dan emosi ini menggunakan data sebanyak 58.984 yang didapatkan melalui proses crawling data unggahan twitter yang berjumlah 22.062 data dan pengunduhan dataset dari website kaggle.com dengan jumlah data sebanyak 36.922 data. Pada penelitian ini model algoritma Bi-LSTM mendapatkan tingkat akurasi sebesar 69,48% untuk analisis sentimen dan 84,36% untuk analisis emosi. Tingkat akurasi ini lebih tinggi dibandingkan dengan algoritma CNN yang menghasilkan tingkat akurasi sebesar 68,58% untuk analisis sentimen dan 84,21% untuk analisis emosi. Berdasarkan hasil tersebut dapat disimpulkan bahwa algoritma Bi-LSTM lebih baik dibandingkan algoritma CNN dalam penelitian analisis sentiment dan emosi menggunakan metode Word2Vec.

Kata Kunci— Analisis Sentimen dan Emosi, Covid-19 di Indonesia, Bi-LSTM, CNN, Word2Vec.

The Covid-19 pandemic is still engulfing Indonesia. The government has implemented many policies to overcome the spread of Covid-19 in Indonesia. Several policies have been implemented such as PPKM, PSBB, the use of masks, complying with health protocols to the implementation of vaccinations. But the many variants of Covid-19 make this pandemic not over yet. With the many policies and government regulations in dealing with the Covid-19 pandemic, it has caused various responses from the public. This opinion is widely conveyed through social media, one of which is Twitter. We can classify the number of responses from this community based on polarity sentiments and emotions. So that we are able to assess the public's point of view regarding government policies for handling Covid-19. The purpose of this research is to find out which model has the best ability to process sentiment and emotion analysis using the twitter social media upload dataset. CNN and Bi-LSTM algorithms are proposed to be used in sentiment and emotion analysis research using the Word2Vec method. This sentiment and emotion analysis uses 58,984 data obtained through the process of crawling twitter upload data, totaling 22,062 data and downloading a dataset from the kaggle.com website with 36,922 data. In this study, the Bi-LSTM algorithm model obtained an accuracy rate of 69.48% for sentiment analysis and 84.36% for emotional analysis. This level of accuracy is higher than the CNN algorithm which produces an accuracy rate of 68.58% for sentiment analysis and 84.21% of emotion analysis. Based on these results, it can be concluded that the Bi-LSTM algorithm is better than the CNN algorithm in sentiment and emotion analysis research using the Word2Vec method.

Keywords— Sentiment and Emotion Analysis, Covid-19 in Indonesia, Bi-LSTM, CNN, Word2Vec.