Sentiment Classification on Covid PPKM Data Using BERT and CNN

Muhamad Zafran Kasman Artsiantomo, Prof. Drs. Azhari, MT; Yunita Sari, S.Kom., M.Sc., Ph.D.

2024 | Skripsi | ILMU KOMPUTER

Penelitian ini mengeksplorasi sentimen publik terhadap Pemberlakuan Pembatasan Kegiatan Masyarakat (PPKM) selama pandemi COVID-19 di Indonesia melalui analisis sentimen. Embedding kata tradisional seperti word2vec memiliki kelemahan dalam menangani kata polisemik secara efektif, sehingga menyebabkan keterbatasan dalam klasifikasi sentimen. Dataset yang digunakan terdiri dari tweet dalam Bahasa Indonesia terkait COVID-19 dan PPKM yang diambil dari platform media sosial X (sebelumnya Twitter). Klasifikasi sentimen dilakukan ke dalam tiga kategori: positif, netral, dan negatif. Untuk mengatasi masalah ini, kami mengusulkan penggunaan Bidirectional Encoder Representations from Transformers (BERT) untuk embedding kata kontekstual, yang dikombinasikan dengan Convolutional Neural Networks (CNN) untuk klasifikasi sentimen.

This research explores public sentiment toward the Enforcement of Community Activity Restrictions (PPKM) during the COVID-19 pandemic in Indonesia through sentiment analysis. Traditional word embeddings like word2vec fail to handle polysemous words effectively, leading to limitations in sentiment classification. The dataset, comprising tweets in Bahasa Indonesia related to COVID-19 and PPKM, was scraped from social media platform X (formerly Twitter). Sentiment classification was conducted into three categories: positive, neutral, and negative. To address this issue, we propose using Bidirectional Encoder Representations from Transformers (BERT) for contextual word embeddings, combined with Convolutional Neural Networks (CNN) for sentiment classification.

Kata Kunci : PPKM, COVID-19, sentiment analysis, BERT, CNN, Indonesia, social media.