Komparasi Metode Klasifikasi Untuk Analisis Sentimen Pengguna Twitter Terhadap Penerapan Kurikulum Merdeka
DOI:
https://doi.org/10.47775/ictech.v18i1.262Abstrak
Di Indonesia, kegiatan belajar mengajar menggunakan kurikulum yang seringkali mengalami perubahan, tujuan perubahan tersebut adalah agar sistem pendidikan yang ada menjadi lebih baik. Kurikulum merdeka merupakan kurikulum yang diterapkan saat ini yang diluncurkan dan diperkenalkan pada tahun ajaran 2022/2023. Dengan adanya kurikulum merdeka banyak pendapat (opini) yang bernada positif ataupun bernada negatif yang muncul di Twitter. Untuk mengetahui akurasi dataset yang dihasilkan dari opini yang ada menggunakan metode klasifikasi. Selain itu metode klasifikasi digunakan untuk mengetahui model klasifikasi terbaik, serta dapat mengetahui analisis sentimen yang dihasilkan dari opini yang ada. Metode yang digunakan untuk klasifikasi adalah k-Nearest Neighbor (K-NN), Naive Bayes (NB) dan Support Vector Machine (SVM). Komparasi metode ini bertujuan untuk menemukan metode terbaik dari dataset yang ada, berdasarkan hasil akurasi yang dihasilkan dari ketiga metode tersebut. Dataset tweet yang dikumpulkan sebanyak 1000 tweet, setelah data dibersihkan diperoleh 220 tweet yang terdiri dari 110 tweet positif dan 110 tweet negatif. Berdasarkan perhitungan ketiga metode dengan menggunakan tools Rapidminer didapatkan akurasi sebagai berikut: untuk metode K-NN adalah 76,36%, akurasi metode NB adalah 70,91%, sedangkan akurasi metode SVM adalah 62,73%. Dari hasil tersebut dapat disimpulkan metode K-NN mendapatkan nilai akurasi terbaik dari metode klasifikasi yang digunakan. Selain itu pada perhitungan machine learning, metode SVM menghasilkan klasifikasi terbaik dalam memprediksi, dengan kategori excellent klasifikasi sumbu Y mendekati 1.00. Tidak hanya itu penerapan kurikulum merdeka oleh masyarakat banyak ditweetkan dengan opini yang bernada negatif. Harapan untuk penelitian kedepan adalah dapat menambahkan jumlah dataset tweet, serta menggunakan algoritma tambahan untuk meningkatkan akurasi dari metode klasifikasi.
Referensi
Ayudhitama, Annisa Putri, dan Utomo Pujianto. 2020. “Analisa 4 Algoritma Dalam Klasifikasi Penyakit Liver Menggunakan Rapidminer.” Jurnal Informatika Polinema (JIP) 6 (2): 1-9.
Darmawan, Wachid, Muhammad Faizal Kurniawan, Wahyu Setianto, dan Wim Hapsoro. 2023. “Analisis Sentimen Penerapan Kurikulum Merdeka Pada Pengguna Twitter Menggunakan Metode K-Nearest Neighbor Dengan Forward Selection.” Smart Comp: Jurnalnya Orang Pintar Komputer 12 (1): 245-253.
Fani, Syiva Multi, Rukun Santoso, dan Suparti. 2021. “Penerapan Text Mining Untuk Melakukan Clustering Data Tweet Akun Blibli Pada Media Sosial Twitter Menggunakan K-means Clustering.” Jurnal Gaussian 10 (4): 583-593.
Flores, Veronica Ambassador, Lie Jasa, dan Linawati. 2020. “Analisis Sentimen untuk Mengetahui Kelemahan dan Kelebihan Pesaing Bisnis Rumah Makan Berdasarkan Komentar Positif dan Negatif di Instagram.” Majalah Ilmiah Teknologi Elektro 66 (1): 49-54.
Ipmawati, Joang, Kusrini, dan Emha Taufiq Luthfi. 2018. “Komparasi Teknik Klasifikasi Teks Mining Pada Analisis Sentimen.” Indonesian Journal on Networking and Security 6 (1): 28-36.
Irfan, M. Rizzo, Mochammad Ali Fauzi, dan Tibyani Tibyani. 2018. “Analisis Sentimen Kurikulum 2013 pada Twitter menggunakan Ensemble Feature dan Metode K-Nearest Neighbor.” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (JPTIK) 2 (9): 3006-3014.
Kemp, Simon. 2023. DataReportal: Digital 2023: Global Overview Report. 26 Januari. https://datareportal.com/reports/digital-2023-global-overview-report.
Kholila, Ni'ma. 2021. “Sentiment Analysis of Program Merdeka Belajar - Kampus Merdeka on Twitter Using Support Vector Machine.” ANTIVIRUS: Jurnal Ilmiah Teknik Informatika 15 (2): 252-261.
Lenaini, Ika. 2021. “Teknik Pengambilan Sampel Purposive Dan Snowball Sampling.” Jurnal Historis (Penerbit BPFE) 33-39.
Prasetyo, Herlambang Dwi, Titin Pramiyati, dan Ika Nurlaili Isnainiyah. 2021. “Sentimen Analisis Pengguna Twitter Terhadap Kebijakan Merdeka Belajar Menggunakan Algoritma Naive Bayes.” Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA) 2 (1): 559-568.
Rozaq, Abdul, Yessi Yunitasari, Kelik Sussolaikah, Eka Resty Novieta Sari, dan Restyono Ilham Syahputra. 2022. “Analisis Sentimen Terhadap Implementasi Program Merdeka Belajar Kampus Merdeka Menggunakan Naïve Bayes, K-Nearest Neighboars Dan Decision Tree.” Jurnal Media Informatika Budidarma 6 (2): 746-750.
Sari, Yunita. 2019. Pengenalan Natural Language Toolkit (NLTK) Bagian 1. Vol. 11, dalam Pengenalan Natural Language Toolkit, oleh Yunita Sari, 59-66. Yogyakarta: Departemen Ilmu Komputer dan Elektronika, UGM.
Wibowo, Ari Putra, Wachid Darmawan, dan Nurul Amalia. 2022. “Komparasi Metode Naïve Bayes dan k-Nearest Neighbor Terhadap Analisis Sentimen Pengguna Aplikasi Pedulilindungi.” Journal of Informatic and Computer Technology (IC-Tech) 17 (1): 18-23.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2023 Wachid Darmawan, Eny Jumiati, Riski Sulistiyaningsih
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
