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

Sentiment Analysis of Face-to-face Learning Plans during a Pandemic Using Naïve Bayes and Support Vector Machine

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.

Kata Kunci: Covid-19, Analisis Sentimen, Naïve Bayes, PTM, SVM.

The Coronavirus Disease 19 (Covid-19) virus which caused respiratory tract infections at the end of 2019 resulted in a pandemic in almost all countries in the world. Various policies are taken for the health of the people of each country. One of the policies taken by the Indonesian state is the school from home policy, namely education that is carried out with a bold system. Thus, students do not need to go to school, but students access the internet with certain devices. Now, a new problem arises, namely the optimization of the bold learning process which is triggered by several factors, including insufficient equipment, the budget that must be provided for internet quotas and so on. After the vaccine was found, the government issued a face-to-face learning policy plan by providing vaccines for teachers and students. However, the provision of vaccines is still not optimal, so this has become the talk of the community on Twitter. Public sentiment about this policy can be classified into positive, negative, and neutral. This study obtained 900 data consisting of 41.78% positive sentiments, 44.44 % negative sentiments, and 13.78% neutral sentiments. This shows that most people do not agree with the face-to-face learning policy plan.  The evaluation technique is done by splitting data and cross validation. The experimental results show that the Naive Bayes has better results than SVM in both types of tests. The test with the highest average accuracy result is 65.30%, precision value is 51.09%, recall value is 70.51%, and F1-Score is 48.69% for the naive Bayes method with split data testing. While the average value of accuracy is 64.63%, precision is 50.87%, recall value is 53.81%, and F1-Score is 49.88% for the SVM method with split data testing. The Naive Bayes method has an average accuracy of 0.67% higher in the split data test, and 0.33% higher in the cross validation test than the SVM method.   

Keywords: Sentiment Analysis, Covid-19, Naïve Bayes, PTM, SVM.