Analisis Sentimen Mahasiswa Terkait Pembelajaran Tatap Muka Menggunakan Metode Naive Bayes Classifier

Heri Santoso; Armansyah Armansyah; Dita Desliani

doi:10.33633/tc.v21i3.6262

Authors

Heri Santoso Universitas Islam Negeri Sumatera Utara
Armansyah Armansyah Universitas Islam Negeri Sumatera Utara
Dita Desliani Universitas Islam Negeri Sumatera Utara

DOI:

https://doi.org/10.33633/tc.v21i3.6262

Keywords:

analisis sentimen, nai ?ve bayes classifier, k-fold cross validation, pembelajaran tatap muka

Abstract

Pemerintah Indonesia melalui 4 kementerian yaitu Menteri Kesehatan, Menteri Dalam Negeri, Menteri Agama serta Menteri Pendidikan dan Kebudayaan, menerbitkan surat keputusan bersama mangenai Panduan Penyelenggaraan Pembelajaran Di Masa Pandemi Coronavirus Disease 2019. Berdasarkan SKB, pemerintah memfasilitasi pelaksanaan pembelajaran jarak jauh dan pembelajaran tatap muka terbatas disemua tingkatan pendidikan. Keputusan pemerintah tersebut ditanggapi beragam oleh masyarakat, termasuk mahasiswa yang terlibat langsung dalam penerapan kebijakan ini. Banyak mahasiswa yang menyampaikan pendapat terkait kebijakan ini, baik pendapat positif ataupun negatif. Pada penelitian ini, dilakukan analisis sentimen yang bertujuan untuk mengetahui sentimen yang diberikan mahasiswa terkait penerapan pembelajaran tatap muka tahun ajaran 2021/2022 diperoleh melalui kuisioner (angket) serta menerapkan metode Nave Bayes Classifier. Menggunakan dataset sebanyak 5350 opini yang berasal dari 1070 responden. Berdasarkan proses analisis sentimen yang dilakukan, dapat disimpulkan bahwa mahasiswa/i dari Universitas Islam Negeri Sumatera Utara Medan mendukung penerapan pembelajaran tatap muka (PTM) dilingkungan UIN-SU Medan pada semester genap tahun ajaran 2021/2022. Akurasi yang dihasilkan oleh metode Nave Bayes Classifier saat melakukan klasifikasi sentimen (opini) dapat dikatakan baik, yaitu sebesar 84%. Setelah melakukan proses validasi sistem dengan menerapkan K-Fold Cross Validation, nilai K=10 ternyata metode Nave Bayes Classifier berhasil memperoleh akurasi yang baik, dengan rata – rata akurasinya sebesar 83%. Kata kunci: analisis sentimen, nave bayes classifier, k-fold cross validation, pembelajaran tatap muka

References

A. Anggrawan, “Analisis Deskriptif Hasil Belajar Pembelajaran Tatap Muka dan Pembelajaran Online Menurut Gaya Belajar Mahasiswa,” MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 18, no. 2, pp. 339–346, May 2019, doi: 10.30812/matrik.v18i2.411.

F. Fadhilaturrahmi, R. Ananda, and S. Yolanda, “Persepsi Guru Sekolah Dasar terhadap Pembelajaran Jarak Jauh di Masa Pandemi Covid 19,” Jurnal Basicedu, vol. 5, no. 3, pp. 1683–1688, Jul. 2021, doi: 10.31004/basicedu.v5i3.1187.

D. Effendi and D. A. Wahidy, “PEMANFAATAN TEKNOLOGI DALAM PROSES PEMBELAJARAN MENUJU PEMBELAJARAN ABAD 21.”

G. A. Buntoro, “Analisis Sentimen Calon Gubernur DKI Jakarta 2017 Di Twitter,” Integer Journal, vol. 2, no. 1, pp. 32–41, 2017.

Sunardi, A. Fadlil, and Suprianto, “Analisis Sentimen Menggunakan Metode Naive Bayes Classifier Pada Angket Mahasiswa,” SAINTEKBU: Jurnal Sains dan Teknologi, vol. 10, no. 2541–1942, pp. 1–9, Jun. 2018.

Hartono et al., “SENTIMENT ANALYSIS USING CONTEXT BASED FUZZYLINGUISTIC HEDGES,” Proceeding International Conference of Computer, Environment, Social Science, Engineering and Technology (ICEST), pp. 160–162, 2016.

F. K. Chandra and Y. Sibaroni, “Klasifikasi Sentiment Analysis pada Review Buku Novel Berbahasa Inggris dengan Menggunakan Metode Support Vector Machine (SVM),” e-Proceeding of Engineering, vol. Vol.6, pp. 10451–10462, 2019.

E. P. Widoyoko, Teknik Teknik Penyusunan Instrumen Penelitian. Yogyakarta: Pustaka Pelajar, 2016.

Y. Azhar, “METODE LEXICON-LEARNING BASED UNTUK IDENTIFIKASI TWEET OPINI BERBAHASA INDONESIA,” Jurnal Nasional Pendidikan Teknik Informatika |, vol. 6, no. 3, 2017.

F. Amilia and A. W. Anggraeni, Semantik Konsep dan Contoh Analisis. Malang: Madani, 2017.

Z. U. Siregar, Ri. R. A. Siregar, and R. Arianto, “KLASIFIKASI SENTIMENT ANALYSIS PADA KOMENTAR PESERTA DIKLAT MENGGUNAKAN METODE K-NEAREST NEIGHBOR,” Jurnal Kilat, vol. 8, no. 1, pp. 81–92, 2019.

Muljono, D. P. Artanti, A. Syukur, A. Prihandono, and D. R. I. M. Setiadi, “Analisa Sentimen Untuk Penilaian Pelayanan Situs Belanja Online Menggunakan Algoritma Naive Bayes,” Konferensi Nasional Sistem Informasi, pp. 165–170, Mar. 2018.

S. Vijayarani and R. Janani, “Text Mining: open Source Tokenization Tools – An Analysis,” Advanced Computational Intelligence: An International Journal (ACII), vol. 3, no. 1, pp. 37–47, Jan. 2016, doi: 10.5121/acii.2016.3104.

Balya, “Analisis Sentimen Pengguna Youtube di Indonesia pada Review Smartphone Menggunakan Naïve Bayes,” Universitas Sumatera Utara, 2019. Accessed: Jul. 09, 2021. [Online]. Available: http://repositori.usu.ac.id/handle/123456789/23217

I. P. Wirayasa, I. M. A. W. Wirawan, and I. M. A. Pradnyana, “ALGORITMA BASTAL: ADAPTASI ALGORITMA NAZIEF & ADRIANI UNTUK STEMMING TEKS BAHASA BALI,” JANAPATI: Jurnal Nasional Pendidikan Teknik Informatika, vol. 8, pp. 60–69, 2019.

B. A. Sevsa and M. D. R. Wahyudi, “Analisis Sentimen pada Indeks Kinerja Dosen Fakultas SAINTEK UIN Sunan Kalijaga Menggunakan Naive Bayes Classifier,” Jurnal Buana Informatika, vol. 10, no. 2, pp. 112–123, 2019.

B. Gunawan, H. S. Pratiwi, and E. E. Pratama, “Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes,” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 4, no. 2, pp. 113–118, 2018.

E. Indrayuni, “KOMPARASI ALGORITMA NAIVE BAYES DAN SUPPORT VECTOR MACHINE UNTUK ANALISA SENTIMEN REVIEW FILM,” vol. 14, no. 2, p. 175, 2018.

L. Oktasari, Y. H. Chrisnanto, and R. Yuniarti, “TEXT MINING DALAM ANALISIS SENTIMEN ASURANSI MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER,” Prosiding SNST Ke-7, pp. 37–42, 2016.