Klasifikasi Informasi Kesehatan Pada Data Media Sosial Menggunakan Support Vector Machine dan K-Fold Cross Validation

Pauzi Ibrahim Nainggolan; Desta Sandya Prasvita; Dhani Syahputra Bukit

doi:10.29103/mjmst.v5i2.6317

Klasifikasi Informasi Kesehatan Pada Data Media Sosial Menggunakan Support Vector Machine dan K-Fold Cross Validation

Pauzi Ibrahim Nainggolan, Desta Sandya Prasvita, Dhani Syahputra Bukit

Abstract

Media sosial saat ini memberikan informasi yang mampu mempengaruhi masyarakat. Sehingga, kini media sosial memiliki peranan signifikan sebagai sumber rujukan yang baru oleh maysarakat. Informasi kesehatan merupakan informasi yang sering dicari oleh pengguna media sosial. Penderita penyakit mencari informasi melalui media sosial terlebih dahulu sebelum bertemu dengan tenaga kesehatan. Tetapi kebanyakan informasi tidak dapat dipastikan sebagai informasi yang sesuai. Kesalahan terkait informasi kesehatan bisa membahayakan penderita. Ini bermakna, informasi yang terdapat pada media sosial perlu mendapatkan pengesahan pakar atau tenaga kesehatan. Penelitian ini betujuan untuk mengetahui penggunaan media sosial oleh tenaga kesehatan sebagai media konsultasi dan memberikan informasi yang tidak bertentangan dengan etika profesionalisme. Penelitian ini menggunakan teknik kalasifikasi Support Vector Machine (SVM). Validasi klasifikasi data yang diperoleh dilaksanakan menggunakan K-Fold Cross Validation. Hasil penelitian menunjukkan bahwa penggunaan SVM dalam klasifikasi kesesuaian informasi kesehatan dengan akurasi 70% pada data yang digunakan..

Full Text:

PDF

References

Scanfeld, D., Scanfeld, V., & Larson, E. L. 2010. Dissemination of health information through social networks: twitter and antibiotics. American Journal of Infection Control, 38(3).

Kreps, G. L., & Neuhauser, L. 2010. New directions in eHealth communication: opportunities and challenges. Patient Education and Counseling, 78(3), 329–36.

Cortes C, Vapnik V. 1995. Support-vector networks. Machine Learning 20: 273-297.

Fu, L.M. 1994. Neural Network In Computer Intelligence. Singapura: McGraw Hill.

Moh, T.-S., & Bhagvat, S. (2012). Clustering of technology tweets and the impact of stop words on clusters. Proceedings of the 50th Annual Southeast Regional Conference, 226–231.

Porter, M. F. (1980). An algorithm for suffix stripping. Program, 14(3), 130-137.

Ilham, M., Islami, N., Abdurrahman, F., & Suryadi, S. (2021). E-aedes framework based on Geographical Information System: Stakeholder Perceptions. Journal of Multidisciplinary Academic, 4(6), 453-456.

DOI: https://doi.org/10.29103/mjmst.v5i2.6317