La performance des modèles d'apprentissage automatique Bernoulli Naïve Bayes, Support Vector Machine et Régression Logistique sur COVID-19 en Indonésie utilisant l'analyse de sentiments.

La pandémie de COVID-19 a eu un impact significatif sur l'Indonésie, rendant nécessaire une compréhension plus approfondie des sentiments du public face à la crise. Cette étude examine la performance de trois modèles d'apprentissage automatique majeurs : Bernoulli Naïve Bayes, Support Vector Machine (SVM) et Régression Logistique, dans l'analyse des sentiments liés à COVID-19 en Indonésie. En utilisant un ensemble de données composé de publications sur les réseaux sociaux, la recherche vise à classer les sentiments en catégories positives et négatives, fournissant des informations sur la perception du public concernant la pandémie et les mesures associées. L'analyse des sentiments est un outil puissant pour capturer les émotions et les opinions collectives de la population, qui sont essentielles pour façonner les réponses et les politiques de santé publique. L'exactitude de la Régression Logistique et du SVM est de 99 %, tandis que celle de Bayésienne est de 98 %. Nous concluons que la Régression Logistique et le Support Vector Machine sont les meilleurs modèles pour l'ensemble de données ci-dessus. Cette recherche évalue l'exactitude et la fiabilité de ces modèles dans le contexte de la langue indonésienne, qui influencent l'interprétation des sentiments. Les résultats de cette étude contribueront aux domaines du traitement du langage naturel et de la santé publique en soulignant l'efficacité des modèles d'apprentissage automatique dans l'analyse des sentiments pendant une crise sanitaire. De plus, les résultats aideront les décideurs politiques et les responsables de la santé à comprendre les sentiments du public, leur permettant ainsi d'adapter plus efficacement la communication et les interventions.