IDENTIFIKASI PERUBAHAN EMOSI PENGGUNA TWITTER DENGAN PENGELOMPOKAN PERILAKU KOLEKTIF BERDASARKAN TOPIK BAHASAN DAN EMOSI: STUDI KASUS PANDEMI COVID-19

Apriantoni, Apriantoni (2022) IDENTIFIKASI PERUBAHAN EMOSI PENGGUNA TWITTER DENGAN PENGELOMPOKAN PERILAKU KOLEKTIF BERDASARKAN TOPIK BAHASAN DAN EMOSI: STUDI KASUS PANDEMI COVID-19. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025201033-Master_Thesis.pdf Restricted to Repository staff only Download (11MB) | Request a copy

Abstract

Tingginya interaksi dan diskusi di Twitter selama pandemi COVID-19 menjadikannya relevan sebagai salah satu solusi untuk mengidentifikasi perubahan emosi pengguna sosial media. Emosi memiliki potensi yang mempengaruhi stigma pengguna, sehingga memungkinkan adanya perubahan perilaku pengguna dalam lingkup jaringan sosial. Perubahan perilaku negatif, seperti kekhawatiran kesehatan dan ketakutan sosial, dapat meningkatkan dampak negatif pandemi COVID-19. Kondisi ini memicu tingginya isu gangguan psikologis secara masif, misalnya rasa kecemasan, ketakutan, dan kehilangan semangat. Oleh karena itu, penelitian ini bertujuan untuk mengidentifikasi perubahan emosi berdasarkan model ekstraksi perilaku kolektif guna mendapatkan informasi perilaku pengguna selama pandemi COVID-19. Penelitian ini menggunakan kombinasi topik bahasan dan emosi sebagai variabel ekstraksi perilaku pengguna. Hasil variabel ekstraksi perilaku kemudian dihitung korelasinya menggunakan persamaan Cramer’s V untuk memetakan relasi antar pengguna ke dalam jaringan perilaku sosial. Hasil relasi pengguna selanjutnya dimodelkan dengan algoritme DeepWalk untuk menemukan kedekatan perilaku antar node berdasarkan similaritas topik bahasan dan emosi. Kemudian, hasil pemodelan tersebut diklasterisasi dengan algoritme Density Peak Clustering Algorithm untuk mengelompokan jaringan komunitas pengguna berdasarkan kesamaan perilaku antar node dalam klaster yang sama. Terakhir, hasil komunitas perilaku dianalisis dengan pendekatan Emotion Recall Task untuk mengukur representasi skor valensi dari setiap emosi pengguna dan memetakan dominan emosi yang terjadi dalam setiap klaster perilaku. Hasil mekanisme ini memberikan informasi emosi yang dapat dianalisis dengan jaringan perilaku sosial untuk mengidentifikasi bagaimana perubahan emosi pengguna berdasarkan alur pertukaran informasi yang mempengaruhinya. Penelitian ini menggunakan data akun pengguna Twitter yang berjumlah sekitar 70k pada periode sebelum COVID-19 dan 60k pengguna pada periode setelah COVID-19. Berdasarkan analisis dari 121 pengguna aktif yang overlapping dikedua periode tersebut, periode sebelum COVID-19 memiliki 98 pengguna representatif yang didominasi oleh 33% perilaku komunitas terkait aktivitas pribadi dengan emosi bahagia dan 32% perilaku komunitas terkait aktivitas ekonomi vi sehari-hari dengan emosi marah. Di sisi lain, periode setelah COVID-19 memiliki 54 pengguna representatif yang didominasi oleh 65% perilaku komunitas terkait kesehatan dengan emosi marah. Perubahan perilaku kedua periode tersebut dipengaruhi oleh transisi pola jaringan terdistribusi ke pola jaringan tersentralisasi, sehingga sentralisasi penyebaran informasi mempengaruhi potensi peningkatan perubahan perilaku pengguna pada jaringan komunitas. Kemudian, berdasarkan hasil identifikasi alur perubahan emosi dari pengguna representatif tersebut, terdapat tiga perilaku dapat mempengaruhi perubahan emosi pengguna dalam struktur jaringan sosial: (a) interaksi kontinu dengan komunitas perilaku yang sama, (b) interaksi kontinu dengan komunitas yang berbeda, dimana level signifikansi perubahan emosi bergantung pada perilaku dominan anggota dalam komunitas baru, dan (c) interaksi kontinu dengan pengguna berpengaruh dalam jaringan sosial. Kondisi ini mempengaruhi alur perubahan emosi pada jaringan perilaku komunitas pada periode setelah COVID-19 beralih ke arah emosi yang tidak menyenangkan atau unpleasant. Hasil penelitian ini menunjukkan bahwa perubahan perilaku dapat mempengaruhi perubahan emosi pengguna Twitter pada jaringan komunitas, dan model yang diusulkan juga dapat digunakan untuk mengidentifikasi alur pertukaran informasi yang mempengaruhi perubahan emosi mereka.
==============================================================================================================================
The high level of interaction and discussion on Twitter during the COVID- 19 pandemic made it relevant as a solution to identifying the emotional changes of social media users. Emotions could influence user stigma, thus allowing user behavior changes in the social network. Negative behavioral changes, such as health concerns and social fears, could increase the negative impact of the COVID-19 pandemic. This condition could massively trigger issues of psychological disorders, such as anxiety, fear, and despondency. Therefore, this study is aimed to identify emotional changes of users based on the collective behavior extraction model to obtain information on Twitter users during the COVID-19 pandemic. This study used a combination of discussion topics and emotion as the extraction variables of user behavior. Furthermore, the behavior extraction variable results were calculated using the Cramer's V to map the relationships between users in the social behavior network. Next, the results of user relations were modeled with the DeepWalk algorithm to find the behavior closeness between nodes based on the similarity of the discusion topic and emotions. Then, the modeling results were clustered with Density Peak Clustering Algorithm to group user community networks based on the behavior closeness between nodes in the same behavioral cluster. Finally, the results of the behavioral community were analyzed using the Emotion Recall Task to measure the representation of the valence score in each user emotion and map the dominant emotions that occur in each user behavior cluster. This mechanism provided emotional information that could be analyzed on social behavior networks to identify how users' emotions change based on the information exchange flow that influences them. This study used Twitter user account data, around 70k in the before COVID- 19 period and 60k users in the period after COVID-19. Based on overlapped active social media users in both before and after COVID-19 period, before the COVID- 19 period had 98 representative users, which were dominated by 33% of community behavior related to personal activities with happiness emotions and 32% community behavior related to daily economic activities with anger emotions. On the other hand, after the COVID-19 period had 54 representative users, which were dominated by 65% of community behavior related to health with anger emotions. Behavior changes in both periods are influenced by the transition from a distributed network pattern to a clique graph network. This condition makes centralization of viii information dissemination could affect the potential for increasing user behavior changes in the community network. Then, based on identifying emotional changes flow, the experiment results demonstrated that three behaviors may influence emotional changes: (a) interactions with the same behavioral community, (b) interactions with different communities, depending on the dominant behavior of community members, and (c) interactions with influential users in the networks. This condition could affect the emotional changes flow in the community behavior network during after COVID-19 period changes toward unpleasant emotion. These findings show that behavior changes could influence the emotional changes of Twitter users in the user communitynetworks, and the proposed method could also be used to identify the information exchange flow that influences their emotional changes.

Item Type:	Thesis (Masters)
Additional Information:	RTIf 005.746 Apr i-1 2022
Uncontrolled Keywords:	COVID-19, Perubahan Emosi, Komunitas Pengguna, Emotion Recall Task, Perilaku Kolektif, Perubahan Perilaku. COVID-19, Emotion Changes, User Community, Emotion Recall Task, Collective Behavior, Behavior Changes.
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	06 Jul 2026 07:01
Last Modified:	06 Jul 2026 07:01
URI:	http://repository.its.ac.id/id/eprint/134351

Actions (login required)

View Item