ANALISIS SENTIMEN KESEHATAN MENTAL DI TWITTER MENGGUNAKAN NAIVE BAYES CLASSIFIER DAN K-NEAREST NEIGHBOR

Abstract

Isu kesehatan mental semakin mendapatkan sorotan di media sosial, terutama di Twitter, dan hal ini berdampak signifikan pada persepsi publik serta kebijakan kesehatan. Dalam era digital ini, persepsi masyarakat terhadap isu kesehatan mental yang diungkapkan melalui media sosial menjadi sangat penting untuk dianalisis. Oleh karena itu, penelitian ini bertujuan untuk menganalisis sentimen tweet yang berkaitan dengan kesehatan mental dengan menggunakan dua metode klasifikasi yang umum dalam pembelajaran mesin, yaitu Naïve Bayes Classifier dan K-Nearest Neighbor (KNN). Proses analisis dilakukan dalam dua tahap: pertama, labelling otomatis yang menghasilkan komposisi 62.5% tweet positif, 19.64% negatif, dan 17.86% netral; kedua, verifikasi manual yang menunjukkan perubahan komposisi sentimen, dengan hasil 67.56% tweet positif, 24.4% netral, dan 8.04% negatif. Dataset penelitian ini terdiri dari 336 tweet yang dikumpulkan selama periode 26 Maret hingga 31 Maret 2024. Hasil analisis menunjukkan bahwa algoritma KNN memiliki akurasi sebesar 88.24% dalam mengklasifikasikan sentimen positif, sementara Naïve Bayes mencapai akurasi sebesar 60.78%. Penelitian ini memberikan kontribusi penting pada pengembangan metode analisis sentimen yang lebih akurat dan dapat digunakan untuk merancang intervensi kesehatan yang lebih tepat serta responsif terhadap persepsi masyarakat terkait kesehatan mental di media sosial. Penelitian ini diharapkan dapat membantu dalam menyusun strategi yang lebih efektif dalam menanggapi isu-isu kesehatan mental yang berkembang di masyarakat.