Analisis Sentimen Rencana Pembelajaran Tatap Muka saat Pandemi Menggunakan Naïve Bayes dan Support Vector Machine

Abstract

Virus Coronavirus Disease 19 (Covid-19) yang menyebabkan infeksi saluran pernafasan pada akhir tahun 2019 mengakibatkan pandemi pada hampir seluruh negara di dunia. Berbagai kebijakan diambil demi kesehatan masyarakat masing-masing negara. Salah satu kebijakan yang diambil negara Indonesia adalah kebijakan sekolah dari rumah yaitu pendidikan yang  dilakukan dengan sistem daring. Sehingga, siswa tidak perlu pergi ke sekolah, tetapi siswa mengakses internet dengan perangkat tertentu. Namun, muncul permasalahan baru yaitu tidak optimalnya proses pembelajaran daring yang dipicu oleh beberapa faktor, antara lain perangkat yang tidak memadai, penyediaan anggaran kuota internet dan lain sebagainya. Setelah ditemukan vaksin, pemerintah mengeluarkan rencana kebijakan pembelajaran tatap muka dengan memberikan vaksin bagi guru dan siswa. Namun, pemberian vaksin masih belum maksimal sehingga menjadi pembicaraan masyarakat di media sosial twitter. Sentimen masyarakat tentang kebijakan ini dapat diklasifikasikan menjadi positif, negatif, dan netral. Penelitian ini memperoleh 900 data yang terdiri dari 41,78% sentimen positif,  44,44% sentimen negatif, dan 13,78% sentimen  netral. Hal ini menunjukkan bahwa sebagian besar masyarakat kurang setuju dengan rencana kebijakan pembelajaran tatap muka. Teknik pengujian dilakukan dengan split data dan cross validation. Hasil uji coba menunjukkan bahwa metode Naïve Bayes memiliki hasil lebih baik dari pada Support Vector Machine pada kedua jenis pengujian. Pengujian dengan hasil rata-rata akurasi tertinggi sebesar 65,30%, nilai precision 51,09%, nilai recall 70,51%, dan F1-Score sebesar 48,69% untuk metode Naïve Bayes dengan pengujian split data. Sedangkan rata-rata akurasi sebesar 64,63%, nilai precision 50,87%, nilai recall 53,81%, dan F1-Score sebesar 49,88% untuk metode Support Vector Machine dengan pengujian split data. Metode Naïve Bayes rata-rata akurasinya lebih tinggi 0,67% pada pengujian split data, dan lebih tinggi 0,33% pada pengujian cross validation dibanding metode Support Vector Machine.