Sentiment Analysis terhadap Rencana Penghapusan Ujian Nasional menggunakan Algoritma Support Vector Machine dengan Pembobotan TF-IDF

MUHAMMAD LUTFI UTAMA PUTRA

Informasi Umum

Kode

21.04.442

Klasifikasi

004 - Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika, Hardware Komputer

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Informatics

Informasi Lainnya

Abstraksi

Pada pemerintahan Presiden Joko Widodo periode kedua melalui Kementerian Pendidikan dan Kebudayaan Republik Indonesia, terdapat rencana untuk menghapus UN dan menggantikannya dengan assessment kompetensi minimum dan survei karakter. Arahan kebijakan baru tersebut rencananya akan direalisikan pada tahun 2021. UN akan diganti dengan 3 parameter penilaian yaitu literasi, numerasi dan karakter. Pada penelitian [7], menunjukkan bahwa algoritma support vector machine memiliki nilai akurasi lebih tinggi yaitu 82.40% dibandingkan dengan naive bayes 78.90% dan decision tree 72.90%. Penelitian tersebut bertujuan untuk mencari algoritma terbaik dari twitter sentiment analysis dalam mengkategorisasi sentimen positif dan negatif yang akan digunakan sebagai variabel perhitungan net brand reputation serta dapat digunakan untuk memudahkan perusahaan menganalisis dan mengevaluasi secara sistematis tren dari suatu brand. Saat ini belum diketahui bagaimana opini dari masyarakat terhadap rencana penghapusan UN. Masyarakat dapat menanggapi rencana ini dengan opini positif, negatif bahkan netral. Penelitian ini menggunakan platform youtube sebagai sumber data untuk menggali opini masyarakat. Algoritma support vector machine dengan pembobotan TF-IDF dipilih karena tingkat akurasinya diberbagai penelitian. Oleh karena itu, penelitian ini menggunakan algoritma support vector machine dengan pembobotan TF-IDF untuk mengetahui opini masyarakat terhadap rencana penghapusan ujian nasional. Hasil sentiment analysis dari 2422 komentar dengan data testing 10% yaitu sebesar 243 label yang terdiri dari 190 positif, 28 netral dan 25 negatif dapat mengukur tingkat akurasi algoritma support vector machine dengan pembobotan TF-IDF yaitu sebesar 81.84% menggunakan kernel linear dengan C=1.0 dan test size 0.1, 63.50% menggunakan kernel RBF dengan test size 0.5 dan 64.12% menggunakan kernel polynomial dengan test size 0.2. Berdasarkan 13221 unlabeled data, model SVM dengan akurasi terbaik yaitu 81.84% berhasil memprediksi 8346 label positif atau 62.7% masyarakat setuju UN dihapus, 2382 label negatif atau 17.9% masyarakat menolak UN dihapus, 2593 label netral atau 19.5% masyarakat tidak menyatakan setuju maupun tidak menolak UN dihapus.

Kata Kunci: sentiment analysis, ujian nasional, support vector machine, youtube, TF-IDF