ANALISIS SENTIMEN PENGGUNA TWITTER TERHADAP BELAJAR DARING SELAMA PANDEMI COVID-19 DENGAN DEEP LEARNING

Nabil Ramdhani

Abstract


Media sosial seperti Twitter, Facebook, dan Instagram merupakan media komunikasi terpopuler di masyarakat pada saat ini. Twitter seringkali digunakaan oleh penggunanya untuk mengungkapkan emosi mengenai suatu hal, baik positif atau negatif. Pembelajaran sekolah merupakan salah satu hal yang terdampak dari pandemi COVID-19, para pelajar dituntut untuk melakukan pembelajaran secara daring. Pernyataan Mendikbud Republik Indonesia mengenai keberlanjutan pembelajaran daring di awal tahun 2021 memperoleh komentar positif dan negatif dari masyarakat Indonesia. Komentar tersebut sulit dipilah untuk mendapatkan term atau kata hasil dari komentar positif atau negatif karena penggunaan ragam bahasa dalam media sosial diantaranya tidak formal, menggunakan simbol, singkatan, bahasa asing, dan bahasa daerah. Tujuan penelitian ini adalah untuk melakukan pengklasifikasian terhadap sentimen positif, negatif, dan netral terhadap data uji (tweet terkait pembelajaran daring), serta mengetahui akurasi model klasifikasi dengan menggunakan metode Deep Learning. Tahapan penelitian ini terdiri dari pengambilan data mentah (crawling), pre-processing data, klasifikasi dengan metode Deep Learning, dan evaluasi Cross Validation dengan menggunakan tools RapidMiner. Hasil percobaan pada penelitian menunjukan bahwa metode terbaik pada data tweet adalah metode Deep Learning yaitu dengan akurasi sebesar 100%, ketika dibandingkan dengan metode Naïve Bayes yang memiliki akurasi sebesar 99%, dan k-NN yang memiliki akurasi sebesar 82%. Diketahui juga bahwa sebanyak  73% komentar positif, 14% komentar negatif, dan 13% komentar netral.


Full Text:

PDF(66-72)

References


Worldometer, “Coronavirus Update (Live): Cases and Deaths from COVID-19 Virus Pandemic,” Worldometers, 2020. [Online]. Available: https://www.worldometers.info/coronavirus/. [Accessed: 20-Jan-2021].

W. A. F. Dewi, “Dampak COVID-19 terhadap Implementasi Pembelajaran Daring di Sekolah Dasar,” Edukatif J. Ilmu Pendidik., vol. 2, no. 1, pp. 55–61, 2020.

P. Wahyono, H. Husamah, and A. S. Budi, “Guru profesional di masa pandemi COVID-19: Review implementasi, tantangan,” J. Pendidik. Profesi Guru, vol. 1, no. 1, pp. 51–65, 2020.

R. Yunitasari and U. Hanifah, “Pengaruh Pembelajaran Daring terhadap Minat Belajar Siswa pada Masa COVID 19,” Edukatif J. Ilmu Pendidik., vol. 2, no. 3, pp. 236–240, 2020.

Tribunnews, “BELAJAR Tatap Muka Dijadwal Januari 2021 Batal, Bersiaplah Jalani 2 Alternatif Cara Belajar Ini - Tribunnewsmaker.com.” [Online]. Available: https://newsmaker.tribunnews.com/2020/12/31/belajar-tatap-muka-dijadwal-januari-2021-batal-bersiaplah-jalani-2-alternatif-cara-belajar-ini. [Accessed: 20-Jan-2021].

O. Somantri and D. Apriliani, “Support Vector Machine Berbasis Feature Selection Untuk Sentiment Analysis Kepuasan Pelanggan Terhadap Pelayanan Warung dan Restoran Kuliner Kota Tegal,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 5, p. 537, 2018.

M. Ridzwan Yaakub, M. Iqbal Abu Latiffi, and L. Safra Zaabar, “A Review on Sentiment Analysis Techniques and Applications,” IOP Conf. Ser. Mater. Sci. Eng., vol. 551, no. 1, 2019.

A. Hasanah, A. Sri Lestari, A. Y. Rahman, and Y. I. Danil, “Analisis Aktivitas Belajar Daring Mahasiswa Pada Pandemi COVID-19,” Karya Tulis Ilm. Masa Work From Home Covid-19 UIN Sunan Gunung Djati Bandung Tahun 2020, pp. 4–8, 2020.

Y. Fitriyani, I. Fauzi, and M. Z. Sari, “Motivasi Belajar Mahasiswa Pada Pembelajaran Daring Selama Pandemik Covid-19,” Profesi Pendidik. Dasar, vol. 7, no. 1, pp. 121–132, 2020.

A. Sadikin and A. Hamidah, “Pembelajaran Daring di Tengah Wabah Covid-19,” Biodik, vol. 6, no. 2, pp. 109–119, 2020.

Statista, “• Twitter: most users by country | Statista,” Website. 2020.

D. S. Pamungkas, N. A. Setiyanto, and E. Dolphina, “Analisis Sentiment Pada Sosial Media Twitter Menggunakan Naive Bayes Classifier Terhadap Kata Kunci ‘Kurikulum 2013’’,’” vol. 14, no. 4, pp. 299–314, 2015.

Q. T. Ain et al., “Radiotherapy is the gold standard in treating bone malignancy. Effective in 50-90 % expectancy months ).,” vol. 8, no. 6, 2017.

A. S. Imran, S. M. Doudpota, Z. Kastrati, and R. Bhatra, “Cross-cultural polarity and emotion detection using sentiment analysis and deep learning - a case study on COVID-19: A priprint,” arXiv, 2020.

I. Zulfa and E. Winarko, “Sentimen Analisis Tweet Berbahasa Indonesia Dengan Deep Belief Network,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 11, no. 2, p. 187, 2017.

A. P. Natasuwarna, “Seleksi Fitur Support Vector Machine pada Analisis Sentimen Keberlanjutan Pembelajaran Daring,” Techno.Com, vol. 19, no. 4, pp. 437–448, 2020.

A. Fathan Hidayatullah and A. Sn, “ISSN: 1979-2328 UPN "Veteran,” Semin. Nas. Inform., vol. 2014, no. semnasIF, pp. 115–122, 2014.

K. Zainal, N. F. Sulaiman, and M. Z. Jali, “An Analysis of Various Algorithms For Text Spam Classification and Clustering Using RapidMiner and Weka,” Int. J. Comput. Sci. Inf. Secur., vol. 13, no. 3, pp. 66–74, 2015.

E. J. Teoh, K. C. Tan, and C. Xiang, “Estimating the number of hidden neurons in a feedforward network using the singular value decomposition,” IEEE Trans. Neural Networks, vol. 17, no. 6, pp. 1623–1629, 2006


Refbacks

  • There are currently no refbacks.