Latent Dirichlet Allocation dalam Identifikasi Respon Masyarakat Indonesia terhadap Covid-19 di Twitter Tahun 2020-2021

Abstract

Covid-19 merupakan penyakit yang sangat meresahkan masyarakat Indonesia. Memahami pendapat masyarakat Indonesia sangat diperlukan untuk mencari solusi serta mengevaluasi kinerja pemerintah terhadap penanganan Covid-19. Data tweet pada Twitter dapat digunakan untuk mengidentifikasi pendapat masyarakat terhadap suatu fenomena. Data tweet pada Twitter merupakan big data berbentuk teks sehingga diperlukan penarikan contoh dan text mining agar data tersebut dapat diproses dengan efisien. Stratified random sampling diaplikasikan dengan pengulangan sebanyak 20 kali dan asumsi hari sebagai strata kemudian pemodelan topik dengan latent Dirichlet allocation (LDA). Tujuan dari penelitian ini adalah mengetahui pendapat masyarakat Indonesia terkait Covid-19 serta perkembangannya dari waktu ke waktu. Selain itu, ingin diketahui pengaruh penarikan contoh dalam data tweet menggunakan teknik stratified random sampling. Oleh karena itu, hasil pemodelan topik perlu ditransformasikan menjadi bentuk data deret waktu dan memerhatikan keragaman pola yang terbentuk. Kemudian, hasil transformasi tersebut akan dieksplorasi dan diinterpretasikan. Penelitian ini mengemukakan perbincangan terkait Covid-19 dibagi menjadi empat topik dari pemodelan pertama, yaitu: “Vaksin”, “Orang positif atau terkena covid”, “Protokol kesehatan”, serta “Indonesia” dan sembilan topik dari pemodelan kedua, yaitu: “Vaksin”, “Doa”, “Protokol Kesehatan”, “Bantuan sosial dan korupsi”, “Orang terkena Covid”, “Ekonomi Indonesia”, “Kerja”, “Ajakan memakai masker”, dan “Keinginan untuk menonton”. Selain itu, kuantitas perbincangan topik terkait Covid-19 di Indonesia memuncak apabila terdapat kejadian besar di Indonesia. Kemudian, penelitian ini juga membuktikan bahwa pengulangan stratified random sampling sebanyak 20 kali dapat mendapatkan hasil yang cukup baik.

Covid-19 is a very troubling disease in Indonesia. Therefore, understanding public opinion is required to find solutions and evaluate the government performance in handling the pandemic. Twitter can be helpful to identify the public opinion of significant events. Twitter’s tweet is a large dimension text-based big data. It requires text sampling and text mining to be processed efficiently and effectively. Stratified random sampling with 20 repetitions applied to assume days as strata followed by topic modeling with latent Dirichlet allocation (LDA). This research aims to find out public opinion regarding Covid-19 and its growth over time. Other than that, this research also aims to find out sampling effects on tweet data using stratified random sampling. Therefore, the extracted topics will be transformed into time-series data and considering the variety of the pattern made. Afterward, the transformation results will be explored and interpreted. This research suggests that discussions related to Covid-19 are divided into four topics by the first model, namely: “Vaccine”, “Positive or affected people”, “Health protocol”, and “Indonesia” then nine topics by the second model, namely: “Vaccine”, “Prayer”, “Health protocol”, “Social aid and corruption”, “Affected people”, “Indonesian economy”, “Work”, “Persuading to wear mask”, and “Willing to watch”. Furthermore, some topics peak whenever a significant event occurs in Indonesia. Afterward, this research suggests that 20 repetitions of stratified random sampling could provide good results.