Analisis Sentimen Berbasis Aspek Program MSIB pada Media Sosial Instagram Menggunakan Algoritma Supervised Learning
DOI:
https://doi.org/10.21831/jiety.v4i1.4033Keywords:
analisis sentimen, supervised learning, MSIB, SMOTEAbstract
Program MSIB oleh Kemendikbudristek telah berjalan dari batch 1 tahun 2021 hingga batch 6 tahun 2024 banyak mendapatkan pro dan kontra khususnya dari mahasiswa yang memiliki dampak langsung terhadap kebijakan tersebut. Terdapat beragam permasalahan yang disampaikan mahasiswa melalui komentar Instagram berkaitan dengan program MSIB. Setiap komentar dapat mengandung sentimen positif, negatif, atau netral. Adanya jumlah komentar yang sangat banyak menyebabkan tidak efisien dalam proses klasifikasi komentar secara manual. Penelitian ini membuat sistem analisis sentimen berbasis aspek menggunakan 7 algoritma supervised learning dan teknik SMOTE untuk mengatasi data tidak seimbang. Data yang digunakan adalah komentar Instagram pada sejumlah kiriman pada akun @magangmerdeka dari bulan Maret 2021-Januari 2024 yang diambil dengan teknik scraping. Komentar diklasifikasikan ke dalam kategori aspek dan sentimen. Data dibagi menjadi 2, yaitu data untuk membuat model dan data uji. Dalam pembuatan model klasifikasi data dibagi menjadi data latih dan data validasi dengan perbandingan 60:40, 70:40, 80:20, dan 90:10 pada sebelum dan sesudah SMOTE. Hasil penelitian menunjukkan bahwa sistem yang dihasilkan dapat mengklasifikasikan komentar dalam jumlah banyak secara otomatis dan dalam waktu yang singkat sehingga prosesnya efisien. Dari hasil klasifikasi komentar pada keseluruhan data test ke dalam kategori aspek dan sentimen dapat diketahui bahwa pada aspek seleksi didominasi oleh 59.6% sentimen netral, aspek program didominasi oleh 62.8% sentimen netral, aspek platform website didominasi oleh 97.3% sentimen negatif, aspek pihak MSIB didominasi oleh 80.3% sentimen negatif, aspek pendanaan didominasi oleh 80.7% sentimen negatif, aspek pendaftaran didominasi oleh 86.1% sentimen netral, dan aspek berkas didominasi oleh 59.6% sentimen netral.
Downloads
References
Direktorat Jenderal Pendidikan Tinggi Kementerian Pendidikan dan Kebudayaan. (2020). Buku Panduan Merdeka Belajar - Kampus Merdeka (1st ed.). Direktorat Jenderal Pendidikan Tinggi Kemdikbud RI.
Hartati, A., Zain, I., & Ulama, B. S. S. (2012). Analisis CART (Classification And Regression). JURNAL SAINS DAN SENI ITS, 1(1), 101–105.
Jiang, L., Wang, S., Li, C., & Zhang, L. (2016). Structure Extended Multinomial Naïve Bayes. Inf. Sci. (Ny), 329, 346–356. https://doi.org/10.1016/j.ins.2015.09.037
Kampus Merdeka. (n.d.). Apa itu Program Magang & Studi Independen Bersertifikat? Pusatinformasi.Kampusmerdeka.Kemdikbud.Go.Id. Retrieved July 1, 2023, from https://pusatinformasi.kampusmerdeka.kemdikbud.go.id/hc/en-
Kulkarni, V. Y., & Sinha, P. K. (2014). Effective Learning and Classification using Random Forest Algorithm. International Journal of Engineering and Innovative Technology (IJEIT), 3(11), 267–273.
Meidianingsih, Q., Wardani, D. E., Salsabila, E., Nafisah, L., & Mutia, A. N. (2023). Perbandingan Performa Metode Berbasis Support Vector Machine untuk Penanganan Klasifikasi Multi Kelas Tidak Seimbang. Statistika, 23(1), 8–18.
Melita, R., Amrizal, V., Suseno, H. B., & Dirjam, T. (2018). Penerapan Metode Term Frequency Inverse Document Frequency (Tf-Idf) Dan Cosine Similarity Pada Sistem Temu Kembali Informasi Untuk Mengetahui Syarah Hadits Berbasis Web (Studi Kasus: Syarah Umdatil Ahkam). Jurnal Teknik Informatika, 11(2), 149–164. https://doi.org/10.15408/jti.v11i2.8623
Ningtyas, D. A., Wahyudi, M., & Nurajijah, N. (2019). Klasifikasi Siswa Smk Berpotensi Putus Sekolah Menggunakan Algoritma Decision Tree, Support Vector Machine Dan Naive Bayes. Jurnal Khatulistiwa Informatika, 7(2), 85–90. https://doi.org/10.31294/jki.v7i2.6839
Nugraha, A. S., & Purnamasari, K. K. (2019). Penerapan Metode Support Vector Machine Pada Part of Speech Tag Bahasa Indonesia. 1–8.
Permana, J. N., Goejantoro, R., & Prangga, S. (2022). Perbandingan Algoritma C4.5 Dan Naïve Bayes Untuk Prediksi Ketepatan Waktu Studi Mahasiswa (Studi Kasus: Program Studi Statistika Universitas Mulawarman). Jurnal EKSPONENSIAL, 13(2), 161–170.
Prabowo, E. K. (2023). Penerapan Support Vector Machine Untuk Menganalisis Sentimen Masyarakat Terhadap Program Magang dan Studi Independen Bersertifikat. (Tesis, FMIPA, Universitas Negeri Jakarta: Jakarta).
Pramudia, R. G., Pratiwi, O. N., & Fa’rifah, R. Y. (2023). Klasifikasi Soal Sejarah Indonesia Tingkat SMA Berdasarkan Level Kognitif Revised Bloom’s Taxonomy Menggunakan Naïve Bayes. EProceedings of Engineering, 10(2), 1542–1548.
Pratama, F. D., & Bhakti, H. D. (2023). Implementasi Aplikasi Prediksi Ketepatan Pembayaran Customer Perusahaan Dengan Metode Decision Tree. INDEXIA : Informatic and Computational Intelligent Journal, 5(1), 72–82. https://doi.org/10.30587/indexia.v5i01.5082
Rahayuningtyas, C., & Winarso, D. S. (2019). Implementasi Algoritma k-Nearest Neighbor untuk Penjurusan Siswa SMA. CAHAYAtech, 6(2), 50. https://doi.org/10.47047/ct.v6i2.10
Sari, Y. S. (2021). Penerapan Metode Naïve Bayes Untuk Mengetahui Kualitas Air Di Jakarta. Jurnal Ilmiah FIFO, 13(2), 222–228. https://doi.org/10.22441/fifo.2021.v13i2.010
Sefuloh, F. (2023). Analisis Sentimen Masyarakat Terhadap Program Magang Bersertifikat Pada Media Sosial Twitter Menggunakan Klasifikasi Naïve Bayes Classifier (NBC). (Tesis, Fakultas Teknik, Universitas Muhammadiyah Purwokerto: Jawa Tengah).
Semmau, P. (2017). Prosiding Semmau 2017. 15.
Styawati, S., Hendrastuty, N., & Isnain, A. R. (2021). Analisis Sentimen Masyarakat Terhadap Program Kartu Prakerja Pada Twitter Dengan Metode Support Vector Machine. Jurnal Informatika: Jurnal Pengembangan IT (JPIT), 6(3), 150–155. https://doi.org/10.30591/jpit.v6i3.2870
Syahranita, R. (2022). Prediksi Kategori Kelulusan Mahasiswa Menggunakan Metode Regresi Logistik Multinomial. https://www.who.int/news-room/fact-sheets/detail/autism-spectrum-disorders
Wisudawati, J., Adiwijaya, & Faraby, S. Al. (2017). Klasifikasi Sentimen pada Movie Review dengan Metode Multinomial Naïve Bayes Sentiment Classification Movie Review Using Multinomial Naïve Bayes Method. E-Proceeding of Engineering, 4(2), 2978–2988.
Downloads
Published
Issue
Section
License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.