Sentiment Analysis on COVID-19 Vaccination using Opinion Mining

Abstract

Opinion Mining is the process of data mining and machine learning techniques to automatically classify positive or negative opinions. From literature review, each technique has different advantages and disadvantages. This research therefore aims to compare the performance of five modeling techniques include naive bays, support vector machine, repeated incremental pruning to produce error reduction, fuzzy unordered rule induction, and random forest. These techniques are used to build classification model to classify opinions of Thai individuals in society regarding their views on administering the COVID-19 vaccine to children. The data were collected from online social networks through the platforms Pantip, TikTok, and YouTube, totaling 2,509 comments. Verb, adverbs and adjectives features were selected for modeling. These types of features can clearly identify positive and negative feelings. In this paper, 10 fold cross-validation were utilize to segment the dataset into learning and testing sets. Beside, precision, recall and accuracy values were calculated to compare the performance of the models. The experimental results show that naive bayes is the most effective modeling technique with a precision of 95.4%, a recall of 95.4%, and an accuracy of 95.4%.

การทำเหมืองความคิดเป็นกระบวนการที่นำเทคนิคในเหมืองข้อมูล และการเรียนรู้ของเครื่องมาวิเคราะห์ข้อความอัตโนมัติมาใช้ในการจำแนกความคิดเห็นว่าเป็นความคิดเห็นเชิงลบหรือความคิดเห็นเชิงบวก จากการทบทวนวรรณกรรมแต่ละเทคนิคมีข้อดีและข้อด้อยที่แตกต่างกัน งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพของแบบจำลองจำนวน 5 เทคนิค ได้แก่ เทคนิคนาอีเบย์ เทคนิคซัพพอร์ตเวกเตอร์แมชชีน เทคนิคริปเปอร์ เทคนิคฟิวเรีย และเทคนิคป่าสุ่ม มาสร้างแบบจำลองเพื่อจำแนกความคิดเห็นของคนไทยในสังคมว่ามีความคิดเห็นต่อการฉีดวัคซีนป้องกันโรคโควิด-19 ให้กับเด็ก โดยข้อมูลนั้นถูกรวบรวมมาจากเครือข่ายสังคมออนไลน์ผ่านเว็บไซต์พันทิป ติ๊กตอก ยูทูป จำนวนทั้งหมด 2,509 ความคิดเห็น คุณลักษณะคำกริยา คำกริยาวิเศษณ์ คำคุณศัพท์ ได้ถูกเลือกมาใช้ในการสร้างแบบจำลอง โดยคุณลักษณะประเภทนี้สามารถระบุความคิดเห็นในเชิงบวกและเชิงลบได้อย่างชัดเจน ในงานวิจัยนี้ 10 โฟลด์ครอสวาลิเดชั่นได้ถูกนำมาใช้ในการแบ่งกลุ่มข้อมูล เป็นชุดเรียนรู้ และชุดทดสอบ นอกจากนี้ค่าความแม่นยำ ค่าความระลึก และค่าความถูกต้องได้ถูกนำมาคำนวณเพื่อใช้ในการเปรียบเทียบประสิทธิภาพของแบบจำลอง ผลการทดลองแสดงให้เห็นว่านาอีฟเบย์เป็นเทคนิคสร้างแบบจำลองที่มีประสิทธิภาพสูงสุดที่ค่าความแม่นยำร้อยละ 95.4 ค่าความระลึกที่ร้อยละ 95.4 และค่าความถูกต้องที่ร้อยละ 95.4