Analisis Ancaman COVID-19 Varian XBB di Indonesia Pada Jejaring Media Sosial Twitter Menggunakan Text Mining
Abstract
Semakin cepatnya mutasi penyakit Covid-19 menyebabkan munculnya subvarian baru yang dikenal varian XBB pertama kali di Afrika Selatan pada tanggal 24 November 2021. Subvarian ini memiliki kekhasan khusus daripada subvarian lain dalam kecepatan penyebarannya yang sangat cepat, tetapi sebagian besar gejala yang didampakkan masih skala ringan. Hal ini menyebabkan kepanikan kembali oleh masyarakat Indonesia yang telah kembali melakukan aktivitas outdoor dengan normal dengan munculnya subvarian ini. Oleh karena itu penelitian ini bertujuan untuk menganalisis ancaman subvarian COVID-19 bernama XBB di Indonesia yang paling banyak dibicarakan orang di media sosial Twitter. Penelitian ini menggunakan metode Text Mining. Model yang digunakan dalam penelitian ini bervariasi, seperti matriks, word cloud, dan hierarchical clustering. Hasilnya menunjukkan bahwa dua kota di Indonesia terancam varian baru XBB yaitu Kota Bogor, Jawa Barat dan Kota Batam, Kepulauan Riau. Ditambah hasil analisa menunjukkan pemerintah Indonesia memberikan respon cepat untuk mencegah penyebaran dari subvarian XBB ini.
References
[2] H. Amalia, “Omicron penyebab COVID-19 sebagai variant of concern”, Jurnal Biomedika dan Kesehatan, vol. 4, no. 4, pp. 139–141, Dec. 2021, doi: 10.18051/jbiomedkes. 2021.v4.139-141.
[3] E. Parwanto, “Virus Corona (SARS-CoV-2) penyebab COVID-19 kini telah bermutasi”, Jurnal Biomedika dan Kesehatan, vol. 4, no. 2, pp. 47–49, Jun. 2021, doi: 10.18051/jbiomedkes. 2021.v4.47-49.
[4] A. Pragholapati, “NEW NORMAL ‘INDONESIA’ AFTER COVID-19 PANDEMIC”, 2020.
[5] World Health Organization, “Special Focus: Update on SARS-CoV-2 variants of interest and variants of concern,” COVID-19 Weekly Epidemiological Update, Edition 115, pp. 5, Oct. 2022.
[6] A. Dewandaru, J. Sasongko Wibowo, and A. History, “Analisis Sentimen dan Klasifikasi Tweet Terkait Mutasi COVID-19 Menggunakan Metode Naïve Bayes Classifier”, Jurnal Teknologi dan Manajemen Informatika, vol. 8, pp. 32–38, 2022.
[7] Y. Sahria, “Analisis Jejaring Penelitian Kesehatan Indonesia Menggunakan Text Mining”, 2020.
[8] WHO, “TAG-VE statement on Omicron sublineages BQ.1 and XBB”, 2022. https://www.who.int/news/item/27-10-2022-tag-ve-statement-on-omicron-sublineages-bq.1-and-xbb. (diakses 12 Desember 2022).
[9] J. Han, M. Kamber, and J. Pei, “Data Mining. Concepts and Techniques, 3rd Edition”, The Morgan Kaufmann Series in Data Management Systems, 2011.
[10] F. S. Jumeilah, “Penerapan Support Vector Machine (SVM) untuk Pengkategorian Penelitian,” Jurnal RESTI, vol. 1, no. 1, 2017.
[11] D. D. C. Nugraha, Z. Naimah, M. Fahmi, and N. Setiani "Klasterisasi Judul Buku dengan Menggunakan Metode K-Means", Seminar Nasional Aplikasi Teknologi Informasi, 2014.
[12] E. Otte and R. Rousseau, “Social network analysis: a powerful strategy, also for the information sciences”, Journal of Information Science, vol. 28, no. 6, pp. 441–453, Dec. 2002, doi: 10.1177/016555150202800601.
[13] R. Feldman and J. Sanger, “The text mining handbook: advanced approaches in analyzing unstructured data”, Cambridge University Press, 2007.
[14] M. Nurjannah, Hamdani, I. F. Astuti, “PENERAPAN ALGORITMA TERM FREQUENCY-INVERSE DOCUMENT FREQUENCY (TF-IDF) UNTUK TEXT MINING”, Journal Informatika Mulawarman, vol. 8, no. 3, Sep 2013.
[15] M. A. Rofiqi, A. C. Fauzan, A. P. Agustin, and A. A. Saputra, “Implementasi Term-Frequency Inverse Document Frequency (TF-IDF) Untuk Mencari Relevansi Dokumen Berdasarkan Query”, ILKOMNIKA: Journal of Computer Science and Applied Informatics, vol. 1, no. 2, pp. 58–64, Dec. 2019, doi: 10.28926/ilkomnika.v1i2.18.
