Classifying Thai Social Media Opinions in The Covid Vaccine Using Text Mining
Article Sidebar
Main Article Content
Abstract
This research aims to compare the efficiency of five modeling techniques: Naive Bayes, Support Vector Machine, Ripper, Fourier, and Random Forest. These techniques are used to build models for classifying the opinions of Thai people on social media regarding COVID-19 vaccination for children. The data, consisting of 2,466 opinions, was collected from online social networks. Verbs, adverbs, and adjectives were selected for model building, as these types of words can clearly indicate positive and negative sentiment. In this research, 10-fold cross-validation was used to divide the data into training and testing sets. Furthermore, accuracy, recall, and precision were calculated to compare the performance of the models. The experimental results show that Naive Bayes is the most efficient modeling technique, achieving an accuracy of 95.40%, a recall of 95.40%, and a precision of 95.40%.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารวารสารวิทยาศาสตร์และเทคโนโลยีถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรงซึ่งกองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารวารสารวิทยาศาสตร์และเทคโนโลยีถือเป็นลิขสิทธิ์ของวารสารวารสารวิทยาศาสตร์และเทคโนโลยีหากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใด ๆ จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจากวารสารวารสารวิทยาศาสตร์และเทคโนโลยี ก่อนเท่านั้น
References
Angelopoulou, A., Mykoniatis, K., & Smith, A. E. (2024). Analysis of Public Sentiment on COVID-19 Mitigation Measures in Social Media in the United States Using Machine Learning. IEEE Transactions on Computational Social Systems, 11(1), 307-318. https://doi.org/10.1109/TCSS.2022.3214527
Banluesapy, S., & Jirapanthong, W. (2022). Towards Machine Learning Algorithm for Screening Prediction of COVID-19 Patients. JOURNAL OF INFORMATION SCIENCE AND TECHNOLOGY, 12(1), 47-60. https://doi.org/10.14456/jist.2022.5
Devi, N. S., & Sharmila, K. (2021). Fine Grainded Sentiment Analysis on COVID-19 Vaccine. 2021 10th International Conference on System Modeling & Advancement in Research Trends (SMART).
Karthika, P., Murugeswari, R., & Manoranjithem, R. (2019). Sentiment Analysis of Social Media Network Using Random Forest Algorithm. 2019 IEEE International Conference on Intelligent Techniques in Control, Optimization and Signal Processing (INCOS).
Khan, F. H., Bashir, S., & Qamar, U. (2014). TOM: Twitter opinion mining framework using hybrid classification scheme. Decision Support Systems, 57, 245-257. https://doi.org/https://doi.org/10.1016/j.dss.2013.09.004
Kovacs, E. R., Cotfas, L. A., Delcea, C., & Florescu, M. S. (2023). 1000 Days of COVID-19: A Gender-Based Long-Term Investigation into Attitudes With Regards to Vaccination. IEEE Access, 11, 25351-25371. https://doi.org/10.1109/ACCESS.2023.3254503
Phung, T. K., Te, N. A., & Ha, T. T. T. (2021). A machine learning approach for opinion mining online customer reviews. 2021 21st ACIS International Winter Conference on Software Engineering, Artificial Intelligence, Networking and Parallel/Distributed Computing (SNPD-Winter)
Suharsono, T. N., Fauzan, A., & Mardiati, R. (2022). Sentiment Analysis of Covid-19 on Indonesian Twitter by Implementing the Naïve Bayes Method. 2022 8th International Conference on Wireless and Telematics (ICWT)
Vyas, P., Reisslein, M., Rimal, B. P., Vyas, G., Basyal, G. P., & Muzumdar, P. (2022). Automated Classification of Societal Sentiments on Twitter With Machine Learning. IEEE Transactions on Technology and Society, 3(2), 100-110. https://doi.org/10.1109/TTS.2021.3108963
Zope, T., & Rajeswari, K. (2022). Sentiment Analysis of Covid-19 Tweets using Twitter Database–A Global Scenario. 2022 IEEE 4th International Conference on Cybernetics, Cognition and Machine Learning Applications (ICCCMLA)
คำประสิทธิ์, อ. (2022). การพัฒนารูปแบบการบริหารการพยาบาลในสถานการณ์การระบาดของโควิด-19 แผนกผู้ป่วยใน โรงพยาบาลโนนไทย. วารสารศูนย์อนามัยที่ 9, 16.
ปพิชญา กลางนอก, & จารี ทองคำ. (2019). การประยุกต์ใช้เทคนิคแบบรวมเพื่อเพิ่มประสิทธิภาพแบบจำลองตามกฎ ในเหมืองข้อมูล. วารสารเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยราชภัฏอุบลราชธานี, 9(1), 97-108. https://ph01.tci-thaijo.org/index.php/jitubru/article/view/183422
ประกายแก้ว ศิริพูล, ไพรินทร์ ยอดสุบัน, เรืองอุไร อมรไชย, อรรถพงษ์ ฤทธิทิศ, เวหา เกษมสุข, นิตยา บัวสาย, นลินี กินาวงศ์, ชลิตดา ขันแก้ว, & สุภา เพ่งพิศ. (2022). สถานการณ์และปัญหาการรับวัคซีนโควิด 19 ในเด็กอายุ 5-11 ปี ในชุมชน: การวิจัยเชิงคุณภาพ. วารสารการพยาบาลและการดูแลสุขภาพ, 40(3), 34-43. https://he01.tci-thaijo.org/index.php/jnat-ned/article/view/258141
พิศิษฐ์ บวรเลิศสุี, & วรภัทร ไพรีเกรง. (2022). ตัวแบบการวิเคราะห์ความรู้สึกทางอารมณ์ สำหรับจำแนกประเภทบทความแนะนำสินค้าออนไลน์. Journal of Engineering and Digital Technology (JEDT), 10(1), 71-79.
สุรัยยา หมานมานะ, โสภณ เอี่ยมศิริถาวร, & สุมนมาลย์ อุทยมกุล. (2020). โรคติดเชื้อไวรัสโคโรนา 2019 (COVID-19). วารสารสถาบันบำราศนราดูร, 14(2), 124 - 133. https://he01.tci-thaijo.org/index.php/bamrasjournal/article/view/240349
