Analisis Sentimen Kampus Merdeka Menggunakan Machine Learning

Parasian DP Silitonga, Irene Sri Morina, Mitra Hasibuan, Uning Lestari

Abstract

Analisis sentimen merupakan interpretasi dan klasifikasi emosi (positif, negatif, netral) pengguna tentang suatu subjek dalam data teks dengan menggunakan analisis teks. Dengan bantuan analisis sentimen, informasi yang tidak terstruktur yang dapat diubah menjadi data yang lebih terstruktur yang kemudian dapat digunakan menjelaskan opini masyarakat mengenai produk, merek, layanan, politik, atau topik lainnya. Terdapat beberapa metode yang dapat digunakan untuk melakukan analisis sentimen, salah satunya adalah machine learning. Machine learning digunakan sebagai tools untuk menghasilkan robot yang mampu mengklasifikasikan jenis sentimen dalam data tekstual. 

Merdeka Belajar Kampus Merdeka (MBKM), merupakan kebijakan Menteri Pendidikan dan Kebudayaan, yang bertujuan mendorong mahasiswa untuk menguasai berbagai keilmuan yang berguna untuk memasuki dunia kerja. Kampus Merdeka memberikan kesempatan bagi mahasiswa untuk memilih mata kuliah yang akan mereka ambil. Penelitian ini dilakukan untuk menghasilkan model machine learning dengan menggunakan metode Support Vector Machine (SVM) yang dapat digunakan untuk mengukur tingkat popularitas program kampus merdeka yang telah diluncurkan oleh Kementrian Pendidikan, Kebudayaan, Riset dan Teknologi Informasi Republik Indonesia berdasarkan data komentar atau opini masyarakat di media sosial.

Berdasarkan penelitan yang dilakukan, ditemukan bahwa jumlah true positive rate adalah 270 record dikategorikan sebagai label positif dan false positive rate adalah 0 record dikategorikan sebagai label negatif. Kemudian jumlah true negative rate adalah 11 record dikategorikan sebagai label negatif dan false negative rate adalah 67 record dikategorikan sebagai label positif. Hasil pengujian data ditemukan bahwa tingkat akurasi algoritma SVM adalah sebesar 80,75%.

Keywords

Analisis Sentimen, Machine Learning, Support Vector Machine, Kampus Merdeka

Full Text:

PDF

References

M. A. Sghaier and M. Zrigui, “Sentiment analysis for Arabic e-commerce websites,” 2016. doi: 10.1109/ICEMIS.2016.7745323.

S. Bandari and V. V Bulusu, “Survey on Ontology-Based Sentiment Analysis of Customer Reviews for Products and Services,” Advances in Intelligent Systems and Computing, vol. 1079. Computer Science and Engineering, JNTU Hyderabad, Hyderabad, India, pp. 91–101, 2020. doi: 10.1007/978-981-15-1097-7_8.

J. R. Saura, A. Reyes-Menendez, and P. Palos-Sanchez, “A feeling analysis in Twitter with machine learning: Capturing sentiment from #BlackFriday offers ,” Espacios, vol. 39, no. 42, 2018, [Online]. Available: https://www.scopus.com/inward/record.uri?eid=2-s2.0-85055057928&partnerID=40&md5=830513edad8b62fe8adf0de560d53a07

Buku Panduan Merdeka Belajar - Kamus Merdeka. Direktorat Jenderal Pendidikan Tinggi Kementerian Pendidikan dan Kebudayaan, 2020.

Buku Pegangan Dosen Pembimbing Lapangan (DPL). Direktorat Jenderal Pendidikan Tinggi Kementerian Pendidikan dan Kebudayaan, 2021.

“Program Kampus Merdeka Ajak Mahasiswa Indonesia menjadi SDM Kreatif dan Adaptif – Direktorat Jenderal Pendidikan Tinggi Kementerian Pendidikan dan Kebudayaan Republik Indonesia.” https://dikti.kemdikbud.go.id/kabar-dikti/kabar/program-kampus-merdeka-ajak-mahasiswa-indonesia-menjadi-sdm-kreatif-dan-adaptif/ (accessed Aug. 23, 2021).

W. Kaswidjanti, H. Himawan, and P. D. P. Silitonga, “The accuracy comparison of social media sentiment analysis using lexicon based and support vector machine on souvenir recommendations,” Test Eng. Manag., vol. 82, no. 3–4, pp. 3953–3961, 2020

D. A. Kurnia, A. Setiawan, D. R. Amalia, R. W. Arifin, and D. Setiyadi, “Image Processing Identifacation for Indonesian Cake Cuisine using CNN Classification Technique,” J. Phys. Conf. Ser., vol. 1783, no. 1, 2021

Refbacks

  • There are currently no refbacks.