Analisis Sentimen Pembelajaran Daring Era Pandemi COVID-19 Menggunakan Naive Bayes Dan SVM

Ketut Mediana Ayu Candrayani; I Made Agus Dwi Suarjaya; Anak Agung Ketut Agung Cahyawan Wiranatha

doi:10.38204/tematik.v10i1.1274

Ketut Mediana Ayu Candrayani Universitas Udayana
I Made Agus Dwi Suarjaya
Anak Agung Ketut Agung Cahyawan Wiranatha

DOI: https://doi.org/10.38204/tematik.v10i1.1274

Keywords: analisis sentimen, big data, naive bayes, pembelajaran daring, support vector machine, twitter

Abstract

Kondisi pandemi COVID-19 di Indonesia memberikan pengaruh yang signifikan di seluruh sektor kehidupan, tidak terkecuali pendidikan. Dalam upaya mengurangi tingkat penyebaran virus dan memastikan bahwa kegiatan pembelajaran tetap berjalan meski di situasi pandemi, pemerintah mencetuskan kebijakan sistem pembelajaran daring yang mewajibkan kegiatan pembelajaran dijalankan secara online dari rumah. Perubahan drastis yang terkesan mendadak ini memunculkan beragam respons dari masyarakat termasuk dalam platform media sosial seperti Twitter. Opini masyarakat yang tertuang dalam tweet merupakan textual data yang dapat diekstrak dan diolah untuk dapat memahami pandangan dan perasaan masyarakat terhadap suatu topik, yang biasa disebut analisis sentimen. Analisis sentimen merupakan bentuk penerapan konsep Big Data, yaitu ilmu yang menangani kumpulan data besar dan kompleks untuk mendapatkan informasi penting, mengungkap pola tersembunyi, serta membantu pengambilan keputusan. Penelitian ini dilakukan untuk mengetahui sentimen masyarakat terhadap pembelajaran daring selama pandemi COVID-19 menggunakan data Twitter. Total data yang digunakan berjumlah 953.378 tweet terhitung dari bulan Januari 2020 sampai dengan Mei 2022, yang diklasifikasi menggunakan tiga kelas sentimen, yaitu negatif, positif, dan netral. Model klasifikasi dibentuk untuk mengklasifikasi data tweet dengan mengimplementasikan metode TF-IDF untuk pembobotan kata, serta 2 algoritma machine learning, yaitu Naive Bayes dan Support Vector Machine (SVM). Hasil evaluasi model menemukan bahwa persentase akurasi tertinggi mencapai 84% menggunakan SVM dan hasil penelitian menunjukkan bahwa data didominasi oleh sentimen netral dengan persentase sebesar 43.28%, sementara persentase sentimen negatif 32.91%, dan sentimen positif 23.82%. Hal ini mencerminkan bahwa sentimen masyarakat cenderung netral, dalam artian masyarakat tidak sepenuhnya mendukung maupun menentang pembelajaran daring di era pandemi COVID-19.

Downloads

Download data is not yet available.

References

E. M. Rahmawati, Putri, “Learning From Home dalam Perspektif Persepsi Mahasiswa Era Pandemi Covid-19,” Pros. Semin. Nas. Hardiknas, vol. 1, pp. 17–24, 2020, [Online]. Available: http://proceedings.ideaspublishing.co.id/index.php/hardiknas/article/view/3.

R. N. Putri, “Indonesia dalam Menghadapi Pandemi Covid-19,” J. Ilm. Univ. Batanghari Jambi, vol. 20, no. 2, p. 705, 2020, doi: 10.33087/jiubj.v20i2.1010.

F. Firman and S. Rahayu, “Pembelajaran Online di Tengah Pandemi Covid-19,” Indones. J. Educ. Sci., vol. 2, no. 2, pp. 81–89, 2020, doi: 10.31605/ijes.v2i2.659.

I. N. K. Bayu, I. M. A. D. Suarjaya, and P. W. Buana, “Classification of Indonesian Population’s Level Happiness on Twitter Data Using N-Gram, Naïve Bayes, and Big Data Technology,” Int. J. Adv. Sci. Eng. Inf. Technol., vol. 12, no. 5, pp. 1944–1949, 2022, doi: 10.18517/ijaseit.12.5.14387.

S. Lestari and S. Saepudin, “Analisis Sentimen Vaksin Sinovac Pada Twitter Menggunakan Algoritma Naive Bayes,” SISMATIK (Seminar Nas. Sist. Inf. dan Manaj. Inform., pp. 163–170, 2021.

G. Nugroho, D. T. Murdiansyah, and K. M. Lhaksmana, “Analisis Sentimen Pemilihan Presiden Amerika 2020 di Twitter Menggunakan Naïve Bayes dan Support Vector Machine,” vol. 8, no. 5, pp. 10106–10115, 2021.

F. Fitriana, E. Utami, and H. Al Fatta, “Analisis Sentimen Opini Terhadap Vaksin Covid - 19 pada Media Sosial Twitter Menggunakan Support Vector Machine dan Naive Bayes,” J. Komtika (Komputasi dan Inform., vol. 5, no. 1, pp. 19–25, 2021, doi: 10.31603/komtika.v5i1.5185.

A. Y. P. Yusuf and R. Sari, “Implementasi Algoritma Naïve Bayes Untuk Klasifikasi Pemahaman Program MBKM Bagi Mahasiswa,” J. Inform. Inf. Secur., vol. 3, no. 2, pp. 171–180, 2022, doi: 10.31599/jiforty.v3i2.1713.

H. P. Doloksaribu and Y. T. Samuel, “Komparasi Algoritma Data Mining Untuk Analisis Sentimen Aplikasi Pedulilindungi,” J. Teknol. Inf. J. Keilmuan dan Apl. Bid. Tek. Inform., vol. 16, no. 1, pp. 1–11, 2022, doi: 10.47111/jti.v16i1.3747.

E. R. Kaburuan, Y. Sartika, and I. Agustina, “Sentiment Analysis on Product Reviews from Shopee Marketplace using the Naïve Bayes Classifier,” vol. 13, no. 3, pp. 150–159, 2022, doi: 10.24843/LKJITI.2022.v13.i03.p02.

Y. A. Singgalen, “Analisis Performa Algoritma NBC, DT, SVM dalam Klasifikasi Data Ulasan Pengunjung Candi Borobudur Berbasis CRISP-DM,” Build. Informatics, Technol. Sci., vol. 4, no. 3, pp. 1634–1646, 2022, doi: 10.47065/bits.v4i3.2766.

S. S. N. N. Ferdy Maylani, “Implementasi Metode Data Mining Untuk Memprediksi Warna Anak Kucing Pada Proses Pengembangbiakan Kucing Ras Menggunakan Algoritma Support Vector Machine (SVM),” Pros. Semin. Nas. Dharmajaya, pp. 114–125, 2021, [Online]. Available: https://jurnal.darmajaya.ac.id/index.php/PSND/article/view/2921.

J. S. Komputer, D. Era, S. Andryana, A. Rubhasy, and U. Nasional, “Perbandingan Algoritma Naïve Bayes Dan K-Nearest Neighbor pada Analisis Sentimen Pembukaan Pariwisata Di Masa Pandemi Covid 19,” vol. 7, pp. 263–272, 2023, doi: 10.30645/j-sakti.v7i1.590.

I. N. Hassanah, S. Faisal, and A. M. Siregar, “PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINE DENGAN DECISION TREE PADA APLIKASI RUANG GURU,” pp. 39–50, doi: 10.20527/klik.v10i1.602.

D. Darwis, E. S. Pratiwi, and A. F. O. Pasaribu, “Penerapan Algoritma SVM Untuk Analisis Sentimen Pada Data Twitter Komisi Pemberantasan Korupsi Republik Indonesia,” J. Ilm. Edutic, vol. 7, no. 1, pp. 1–11, 2020.

F. V. Sari and A. Wibowo, “Analisis Sentimen Pelanggan Toko Online Jd.Id Menggunakan Metode Naïve Bayes Classifier Berbasis Konversi Ikon Emosi,” J. SIMETRIS, vol. 10, no. 2, pp. 681–686, 2019, doi: 10.24176/simet.v10i2.3487.

H. Annur, “Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes,” Ilk. J. Ilm., vol. 10, no. 2, pp. 160–165, 2018, doi: 10.33096/ilkom.v10i2.303.160-165.

T. S. Sabrila, Y. Azhar, and C. S. K. Aditya, “Analisis Sentimen Tweet Tentang UU Cipta Kerja Menggunakan Algoritma SVM Berbasis PSO,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 7, no. 1, pp. 10–19, 2022, doi: 10.14421/jiska.2022.7.1.10-19.

N. W. E. Rosiana Dewi, I. G. Aris Gunadi, and G. Indrawan, “Detection of Class Regularity with Support Vector Machine methods,” Lontar Komput. J. Ilm. Teknol. Inf., vol. 11, no. 1, p. 20, 2020, doi: 10.24843/lkjiti.2020.v11.i01.p03.

N. A. Utami, W. Maharani, and I. Atastina, “Personality Classification of Facebook Users According to Big Five Personality Using SVM (Support Vector Machine) Method,” Procedia Comput. Sci., vol. 179, no. 2020, pp. 177–184, 2021, doi: 10.1016/j.procs.2020.12.023.

N. I. Purnayasa, I. M. A. D. Suarjaya, and I. P. A. Dharmaadi, “Analysis of Cyberbullying Level using Support Vector Machine Method,” J. Ilm. Merpati (Menara Penelit. Akad. Teknol. Informasi), vol. 10, no. 2, pp. 81–90, 2022, doi: 10.24843/JIM.2022.v10.i02.p01.

F. N. Arifa, “Tantangan Pelaksanaan Kebijakan Belajar Dari Rumah Dalam Masa Darurat Covid-19,” 2020.