Analisis Sentimen Terhadap Implementasi Program Merdeka Belajar Kampus Merdeka Menggunakan Naïve Bayes, K-Nearest Neighboars Dan Decision Tree

Abstract

The development of technology are getting faster must be accompanied by the ability to adapt to changes from manual to digital, in the field of education. The Industrial internships, independent projects, student exchanges, community service projects, humanitarian initiatives, and other programs are part of the Merdeka Belajar - Kampus Merdeka program, which was launched by the Ministry of Education and Culture. The various of Merdeka Belajar -Kampus Merdeka program got a variety of responses from the public, including positive, negative, and neutral remarks posted on social media. The existence of these comments is able to create a growing sentiment among the general public and academics. Based on these problems, the researchers used twitter comments as a data source to conduct a sentiment analysis on the implementation of their Merdeka Belajar - Kampus Merdeka program. The data from Twitter will be categorized into positive, negative, and neutral classes using the Naïve Bayes method, K-Nearest Neighboars, and Decision Tree. There was a total of 475 data points divided into two groups: training data and testing data. The training data accounts for 80% of the entire data, while the remaining 20% is used for testing, with an accuracy of 99.22% for Naïve Bayes, 96.90% for K-Nearest Neighboars, and 37.21% for Decision.

Analisis Sentimen Masyarakat Terhadap Kasus Pembobolan Data Nasabah Bank BSI Pada Twitter Menggunakan Metode Random Forest Dan Naïve Bayes

“…Langkah ini membantu meningkatkan akurasi dan relevansi analisis dengan membuang kata-kata yang umumnya tidak membawa makna khusus informasi penting. [17]. Pada langkah ini dilakukan penghapusan stopward atau kata-kata yang tidak unik didalam dokumen.…”

Analisis Sentimen Pengguna Sosial Media Twitter Terhadap Perokok Di Indonesia

“…Teknologi pembelajaran terawasi bernama Support Vector Machine (SVM) berupaya mengidentifikasi pola dan mengatur informasi [21]. Pada Decision Tree, output mudah dibaca dan diinterpretasikan tanpa adanya pengetahuan statistic, namun kurang stabil karena adanya perubahan data skala kecil akan menyebabkan perubahan hasil yang cukup signifikan [22]. Untuk menghitung tingkat akurasi, dalam penelitian ini menggunakan Confusion Matrix dengan menghitung jumlah prediksi benar dan salah dari sebuah metode klasifikasi berbanding dengan data sesungguhnya atau prediksi target [23].…”

Perbandingan Metode Resampling Pada Imbalanced Dataset Untuk Klasifikasi Komentar Program MBKM

“…Studi lain pada penelitian [6], melakukan analisis sentimen berupa enam kelas emosi dengan sumber data dari 968 komentar Twitter menggunakan algoritma LSTM. Sedangkan penelitian [7] yang juga menggunakan komentar Twitter sebanyak 475 data, mengelompokan sentimen positif, negatif dan netral dengan menggunakan metode Naïve Bayes, K-Nearest Neighboars dan Decision Tree. Platform lain yaitu Youtube juga dimanfaatkan dalam penelitian [8] dengan mengambil 900 komentar.…”