Analisis Sentimen Data Twitter Menggunakan Metode Text Mining Tentang Masalah Obesitas di Indonesia

Latar belakang : Media sosial merupakan salah satu sarana yang digunakan oleh netizen untuk mengakses, berbagi dan berdiskusi seputar isu-isu obesitas. Twitter sebagai salah satu media sosial merupakan platform yang secara real time sering dipilih untuk mengkomunikasikan hal tersebut. Melalui analisis sentimen dengan metode text mining di Twitter, kita dapat memahami bagaimana orang menggambarkan dan mengungkapkan persepsi mereka terhadap kondisi obesitas baik secara positif, negatif maupun netral. Analisis tersebut penting untuk melihat sejauh mana media sosial seperti Twitter digunakan saat ini sebagai salah satu instrumen diseminasi informasi kesehatan di Indonesia. Tujuan penelitian untuk mengidentifikasi analisis sentimen pada Twitter terkait obesitas di Indonesia menggunakan metode text mining.Metode : Jenis penelitian adalah cross sectional. Rancangan ini dipilih karena data yang diambil dari Twitter dalam seri waktu 5 tahun terakhir (2012 -2017). Hasil webscraping pada Twitter didapatkan 67.942 tweet kemudian dicleaning dan menghasilkan sampel 43.436 data tweet berbahasa Indonesia. Pengambilan data menggunakan paket ekstensi Google Chrome Twitter Testing v.01 dan dianalisis menggunakan Python 3.7.2 dan R. Studio 3.5.2.Hasil : Berdasarkan hasil analisis sentimen tweet didapatkan sentimen positif sebanyak 22.246 (51,2%) tweet, diikuti oleh sentimen negatif sebanyak 12.015 (27,7%) tweet dan sentimen netral dengan jumlah 9.174 (21,1%) dari total 43.435 tweet. Nilai akurasi dengan algoritma Naïve Bayes didapatkan hasil nilai akurasi sebesar 94%.Kesimpulan : Analisis sentimen tweet terkait obesitas dengan metode text mining lebih didominasi oleh sentimen positif dibanding sentimen negatif dan sentimen netral. Nilai akurasi dengan algoritma Naïve Bayes Classifier berada dalam kategori “Excellent Classification” yang artinya algoritma Naive Bayes Classifier berhasil memprediksi kategori sentimen dalam penelitin ini dengan baik. Analisis data selanjutnyadapat menggunakan data langsung dari API Twitter kemudian meningkatkan jumlah kata kunci (keyword) dan menggunakan algoritma klasifikasi teks lainnya (SVM, DBN dll). Selain itu, dari sisi kesehatan masyarakat perlu upaya peningkatan literasi kesehatan melalui media sosial twitter terkait obesitas untuk meningkatkan pemahaman serta kemampuan mempercayai informasi kesehatan khususnya oleh organisasi kesehatan pemerintah guna mempertahankan sentimen positif publik yang sudah ad