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.