Klasifikasi Naïve Bayes Dan Latent Dirichlet Allocation Dalam Analisis Sentimen Pelaksanaan Pembelajaran Tatap Muka Di Kampus (Studi Kasus : Data Opini Masyarakat Twitter Mengenai Pelaksanaan Pembelajaran Tatap Muka Di Kampus Pasca Pandemi)
Abstract
Pandemi Covid-19 yang terjadi belakangan ini telah menimbulkan dampak
dan perubahan dalam berbagai bidang kehidupan, salah satu yang menjadi fokus
perhatian yaitu pada dunia pendidikan di Indonesia, dimana terjadi peralihan
sistem pembelajaran menjadi sistem daring atau jarak jauh demi meminimalisir
potensi penyebaran virus corona. Seiring menurunnya jumlah positif Covid-19
dan upaya vaksinasi di Indonesia, pemerintah memberikan pilihan untuk
menggelar Pembelajaran Tatap Muka Terbatas (PTMT), kebijakan ini mendapat
berbagai opini masyarakat, salah satunya di media sosial twitter. Penelitian ini
bertujuan untuk mengetahui sentimen masyarakat twitter terhadap pelaksanaan
pembelajaran tatap muka di kampus pasca pandemi menggunakan analisis
sentiment dengan metode Naïve Bayes Classifier dan Latent Dirichlet Allocation.
Naïve Bayes Classifier digunakan untuk klasifikasi dan pelabelan data sedangkan
Latent Dirichlet Allocation digunakan untuk pemodelan topik pembicaraan
masyarakat. Data diperoleh menggunakan metode scrapping dan Twitter API dari
14 Juni 2022 hingga 20 Juni 2022 sebanyak 2433 tweet. Diperoleh sentiment
analysis menggunakan pelabelan manual sebanyak 60.65% tweet positif dan
39.35% tweet negatif. Klasifikasi Naïve Bayes dengan pembagian data 70%:30%
menghasilkan accuracy sebesar 73.83%%, precision 85%, dan recall 69.23%,
nilai lain seperti spesificity, FPR, serta AUC yang juga menghasilkan nilai yang
cukup baik, maka klasifikasi Naïve Bayes sudah cukup baik untuk memodelkan
kelas sentimen data tweet. Sedangkan hasil pemodelan topik diperoleh 10 topik
penting yang mayoritas memiliki kesamaan topik yaitu pada kata kuliah.
Collections
- Statistics [900]